深度学习有潜力通过改进评分函数来增强分子对接。当前的采样协议通常需要先验信息以生成准确的配体结合位姿，这限制了评分函数的准确性。斯坦福大学的研究人员开发的两个新协议，GLOW和IVES，解决了这个挑战，展示了增强位姿采样效果的能力。通过在包括AlphaFold生成的蛋白质结构在内的各种蛋白质结构上进行基准测试，验证了这些方法。
深度学习在分子对接中通常依赖于刚性蛋白质对接数据集，忽视了蛋白质的柔性。虽然柔性对接考虑了蛋白质的柔性，但准确性较低。GLOW和IVES是解决这些局限性的高级采样协议，持续优于基准方法，尤其在动态结合口袋中。这对于提高蛋白质-配体对接中的配体位姿采样至关重要，同时也对于提高基于深度学习的评分函数的准确性至关重要。
分子对接预测在药物发现中至关重要，它可以预测配体在蛋白质结合位点的位置。传统方法在生成准确的配体位姿方面面临挑战。深度学习可以提高准确性，但依赖于有效的位姿采样。GLOW和IVES为挑战性的情景提供了改进的采样协议，提高了准确性。适用于无配体或预测蛋白质结构，包括AlphaFold生成的结构，它们提供了精选的数据集和开源Python代码。
GLOW和IVES是分子对接中的两个配体位姿采样协议。GLOW使用软化的范德华势生成配体位姿，而IVES通过合并多个蛋白质构象来提高准确性。与基准方法的性能比较表明GLOW和IVES的优越性。在交叉对接案例中，通过测试集评估正确位姿的百分比。对于有效的IVES来说，种子位姿质量至关重要，SMINA对接评分和用于选择的评分也很关键。
GLOW和IVES在准确采样配体位姿方面优于基准方法，在具有明显蛋白质构象变化的挑战性情景和AlphaFold基准测试中表现出色。对测试集的评估确认了它们正确采样的姿态的可能性更大。IVES通过生成多个蛋白质构象，在几个构象数上达到了与Schrodinger IFD-MD相媲美的几何深度学习性能。由GLOW和IVES生成的5000个蛋白质-配体对的配体位姿数据集提供了宝贵的资源，有助于开发和评估分子对接中基于深度学习的评分函数。
总之，GLOW和IVES是两种功能强大的位姿采样方法，相比基本技术，特别是在困难情景和AlphaFold基准测试中更加有效。IVES可以生成多个蛋白质构象，这对于几何深度学习非常有优势。此外，GLOW和IVES提供的数据集包含5000个蛋白质-配体对的配体位姿，是分子对接中基于深度学习的评分函数的研究人员的宝贵资源。