Structure-based drug design (SBDD) relies on accurate knowledge of protein structure and ligand-binding conformations. However, most of the static conformations obtained by advanced methods such as structural biology and de novo protein folding algorithms often don't meet the needs for drug design. We introduce PackDock, a flexible docking method that combines "conformation selection" and "induced fit" mechanisms in a two-stage docking pipeline. The core module of this method is PackPocket, which uses a diffusion model to explore the side-chain conformation space in ligand binding pockets, both with or without a ligand. We evaluate our method using several tests that reflect real-world application scenarios. (1) Side-chain packing and Re-docking experiments validate the ability of PackDock to predict accurate side-chain conformations and ligand conformations. (2) Cross-docking experiments with apo and non-homologous ligand-induced holo structures align with real docking scenarios, demonstrating PackDock's practical value. (3) Docking experiments with hypothetical models show that PackPocket can potentially conduct SBDD starting from protein sequence information only. Additionally, we found that PackDock can identify key amino acid conformation changes, which may provide insights for lead compound optimization. We demonstrate PackDock can accurately predict the complex conformations in various application scenarios, by combining the conformation selection theory and the induced fit theory, and by using the ability of PackPocket to accurately predict the side chain conformations in the pocket region. We believe this method can improve the usability of existing structures, providing a new perspective for the SBDD community.

In the field of structure-based drug design, accurately predicting the binding conformation of ligands to proteins is a long-standing objective. Despite recent advances in deep learning yielding various methods for predicting protein-ligand complex structures, these AI-driven approaches frequently fall short of traditional docking methods in practice and often yield structures that lack physical and chemical plausibility. To overcome these limitations, we present SurfDock, an advanced geometric diffusion network, distinguished by its ability to integrate multiple protein representations including protein sequence, three-dimensional structural graphs, and surface-level details into its equivariant architecture. SurfDock employs a generative diffusion model on a non-Euclidean manifold, enabling precise optimization of molecular translations, rotations, and torsions for reliable binding poses generation. Complemented by a mixture density network for scoring using the same comprehensive representation, SurfDock achieves significantly improved docking success rates over all existing methods, excelling in both accuracy and adherence to physical constraints. Equipped with post-docking energy minimization as an optional feature, the plausibility of generated poses is further enhanced. Importantly, SurfDock demonstrates excellent generalizability to unseen proteins and extensibility to virtual screening tasks with state-of-the-art performance. We consider it a transformative contribution that could serve as an invaluable asset in structure-based drug design.

As important deciduous tree, Populus deltoides Marsh possesses a high ornamental value for its leaves remaining yellow during the non-dormant period. However, little is known about the regulatory mechanism of leaf coloration in Populus deltoides Marsh. Thus, we analyzed physiological and transcriptional differences of yellow leaves (mutant) and green leaves (wild-type) of Populus deltoides Marsh. Physiological experiments showed that the contents of chlorophyll (Chl) and carotenoid are lower in mutant, the flavonoid content is not differed significantly between mutant and wild-type. Transcriptomic sequencing was further used to identify 153 differentially expressed genes (DEGs). Functional classifications based on Gene Ontology enrichment and Genomes enrichment analysis indicated that the DEGs were involved in Chl biosynthesis and flavonoid biosynthesis pathway. Among these, geranylgeranyl diphosphate (CHLP) genes associated with Chl biosynthesis showed down-regulation, while chlorophyllase (CLH) genes associated with Chl degradation were up-regulated in yellow leaves. The expression levels of these genes were further confirmed using quantitative real-time PCR (RT-qPCR). Furthermore, the measurement of the main precursors of Chl confirmed that CHLP is vital enzymes for the yellow leaf color phenotype. Consequently, the formation of yellow leaf color is due to disruption of Chl synthesis and catabolism rather than flavonoid content. These results contribute to our understanding of mechanisms and regulation of leaf color variation in poplar at the transcriptional level.