1. Deep-learning-enabled protein–protein interaction analysis for prediction of SARS-CoV-2 infectivity and variant evolution - nature medicine
预测PPI的模型: S protein variance & ACE2 variants
添加图片注释，不超过 140 字（可选）
useful datasets:
添加图片注释，不超过 140 字（可选）
模型在SKEMPI (一个很general的关于mutant对于PPI binding affinity的数据)的表现。
添加图片注释，不超过 140 字（可选）
RBD （S protein）突变 & WT ACE2或者antibody的数据
添加图片注释，不超过 140 字（可选）
heatmap：预测RBD突变对于和antibody escape的影响。蓝色是预测值，圈代表已知的高escape（应该是低antibody binding），点代表已知的低escape（高antibody binding？）
添加图片注释，不超过 140 字（可选）
WT RBD（S protein）和ACE2 突变的数据，和上面类似的思路，不过这次不是RBD突变，而是ACE突变
添加图片注释，不超过 140 字（可选）
预测的ACE2变化（不同的动物种类）和RBD variants的binding
添加图片注释，不超过 140 字（可选）
最后是关于evolution。
关于预测的antibody binding和时间线 （话说这个需要predict吗？用现成的数据应该也可以画。）
添加图片注释，不超过 140 字（可选）
contour plot。 关于预测的antibody binding和预测的ACE2的关系（现成的数据可以画？）
右侧是一些预测的RBD variants，有最大的antibody escape
添加图片注释，不超过 140 字（可选）
然后关于预测的最大antibody escape的具体信息：（图右）
添加图片注释，不超过 140 字（可选）
这篇文章提供了一些AI PPI的新思路。数据集和画图思路值得一学。
2. Macrocyclization of linear molecules by deep learning to facilitate macrocyclic drug candidates discovery - nature communication
预测macrocyclic compound的linker / macrocyclic analogue
添加图片注释，不超过 140 字（可选）
输入是一个正常compound，输出是有了linker的compound
添加图片注释，不超过 140 字（可选）
预测出来的一些compound。Tc是half max inhibitory concentration，越低 bind越高
添加图片注释，不超过 140 字（可选）
在已知JAK2 inhibitor的基础上设计了三个有linker的compound
添加图片注释，不超过 140 字（可选）
compound的具体信息。compound3和原先的差不多，其它enzyme activity都有一些降低
添加图片注释，不超过 140 字（可选）
但是对kinase的specificity提高了（DiscoveRx KINOMEscan platform）
添加图片注释，不超过 140 字（可选）
然而，compound 3的half-life(T1/2）以及systemic exposure（AUCinf）都更高了，证明了macrocyclic compound的结构还是有用的。 iv是intravenous，po是oral。
添加图片注释，不超过 140 字（可选）
由于compound3 half life更长，所以dose降低了一半(5mg/ml)也能在小鼠模型中达到相同的效果
添加图片注释，不超过 140 字（可选）
总结：一半模型，一半实验。药物AI这一块看来光靠模型不够了，必须要实验验证了。