PepDDG: Peptide–Protein Binding ΔΔG Prediction via Information Channel Decomposition
通过信息通道分解预测多肽–蛋白质结合的 ΔΔG。
总体 Spearman 相关系数：零样本 PepDDG 0.619；单独校准的 PepDDG-Cal 0.691。
Author-provided V4 · accepted NeurIPS 2026 · 来源 ↗
研究 / 方法与证据
从问题到方法，
从方法到证据。
我的研究涉及多肽与分子学习、临床建模、生物信息学和机器智能的机制。每项研究从问题展开，呈现方法、证据与适用边界。
多肽 AI
问题、方法与结果 ↗
PepLand: a large-scale pre-trained peptide representation model for a comprehensive landscape of both canonical and non-canonical amino acids
用多视图异构图学习涵盖天然与非天然氨基酸的多肽表征。
两阶段训练的非天然亲和力 PCC 达 0.873；天然 CPP AUC 为 0.838，低于 ESM 的 0.885。这些属于 2023 作者稿，不是 2025 期刊表。
Author manuscript · 2023 · Tables 2, 3, 5 · 来源 ↗
PepHarmony: a multi-view contrastive learning framework for integrated sequence and structure-based peptide representation
通过序列–结构对比学习获取多肽表征。
Table 1 的 CPP AUC 为 0.874，ESM2 为 0.864；亲和力 Spearman 为 0.447，低于微调 ESM 的 0.473。不以 2026 正式期刊结果替代这些 v1 数值。
Author manuscript v1 · 2024 · Tables 1, 3 · 来源 ↗
AMPCliff: quantitative definition and benchmarking of activity cliffs in antimicrobial peptides
量化定义抗菌肽活性悬崖，并构建专门评测。
v2 摘要报告 33 层 ESM2 的 Spearman 为 0.4669。Figures 5–6 显示，排序、回归误差与 top-50 召回对悬崖阈值的反应不同。
Author manuscript v2 · 3 November 2024 · Figures 5–6 · 来源 ↗
分子 AI 与方法
MolFeSCue: enhancing molecular property prediction in data-limited and imbalanced contexts using few-shot and contrastive learning
针对稀缺、不平衡的分子性质标签进行少样本与对比学习。
10-shot 时，四个数据集的 AUC 均高于 Pre-PAR；1-shot 时，Tox21、SIDER 低于 Pre-PAR。
Published article · 2024 · Table 3 · 来源 ↗
MolProphecy: Bridging medicinal chemists’ knowledge and molecular pre-trained models via a multi-modal framework
融合分子图与化学知识；论文中的实现采用 ChatGPT 生成的知识。
FreeSolv RMSE 为 0.796 ± 0.09；外部溶解度 RMSE 为 0.651 ± 0.046。比较同时保留 ESOL、Lipophilicity、HIV 上更强的基线。
Final article · online 2025, volume 2026 · 来源 ↗
OCMR: A comprehensive framework for optical chemical molecular recognition
从图像中识别化学结构。
仓库 SMI 依次为 0.650202、0.604444、0.859930、0.746284。这些是实现报告值，与正式期刊表格分开。
Public repository README · benchmark table · 来源 ↗
HeFS: Helper-Enhanced Feature Selection via Pareto-Optimized Genetic Search
通过 Pareto 优化的遗传搜索，用互补 helper 特征增强特征选择。
Table 2 中，DLBCL 的 BHOA 准确率从 97.50% 提升至 99.88%，但 Semeion 的 FTGGA 从 97.80% 降至 96.62%。
Author manuscript v1 · 21 October 2025 · §§4–5 / Table 2 · 来源 ↗
临床建模
DeepSelective: Interpretable prognosis prediction via feature selection and compression in EHR data
面向电子健康记录的可解释预后特征选择与压缩。
Table 2 报告死亡风险 AUROC 0.9054、病情恶化 AUROC 0.9143；下表保留部分同稿基线。
Author manuscript v2 · 20 June 2025 · Table 2 · 来源 ↗
FairCare: Adversarial training of a heterogeneous graph neural network with attention mechanism to learn fair representations of electronic health records
用异构图注意力与对抗训练学习公平的电子健康记录表征。
正式摘要报告死亡风险 AUROC 0.9021、病情恶化 AUROC 0.9217。
Final article · 2024 · Abstract · 来源 ↗
RESEARCH / METHODS & CONNECTIONS
研究方向与公开证据。
工具与算法，以及可公开的验证记录。
查看四个研究方向
Hit Identification命中发现
结合生成式结构模型与序列设计，提出值得继续验证的候选。
工具接口已实现；公开运行验证待补充。
Lead Optimization先导优化
比较突变候选与构效关系，研究序列、结构和结合之间的联系。
排序与分析代码已有实现；公开验证待补充。
相关论文PepDDG ↗
Multi-objective Optimization多目标优化
比较结合、选择性、稳定性与可开发性证据，研究可解释的取舍。
多指标候选评估
评估代码已有实现；优化策略仍在研究。
Foundation Models基础模型
用蛋白语言模型与结构模型支持表征学习、预测和设计，并检验迁移边界。
ESM 接口已有实现；AlphaFold 3 有真实公开结构示例。
公开结构示例 · 2026-10-13 · 17 aa ↗