Artificial intelligence (AI) in the form of deep learning bears promise for drug discovery and chemical biology, $\textit{e.g.}$, to predict protein structure and molecular bioactivity, plan organic synthesis, and design molecules $\textit{de novo}$. While most of the deep learning efforts in drug discovery have focused on ligand-based approaches, structure-based drug discovery has the potential to tackle unsolved challenges, such as affinity prediction for unexplored protein targets, binding-mechanism elucidation, and the rationalization of related chemical kinetic properties. Advances in deep learning methodologies and the availability of accurate predictions for protein tertiary structure advocate for a $\textit{renaissance}$ in structure-based approaches for drug discovery guided by AI. This review summarizes the most prominent algorithmic concepts in structure-based deep learning for drug discovery, and forecasts opportunities, applications, and challenges ahead.

动机：准确识别高亲和蛋白化学对的计算模型可以加速药物发现管道。在可用的蛋白质 - 化学相互作用数据集上培训的这些模型可用于预测输入蛋白化学对的结合亲和力。然而，训练数据集可以包含称为DataSet偏差的表面图案，这导致模型记住特定于数据集的生物分子属性，而不是学习绑定机制。结果，模型的预测性能下降了看不见的生物分子。这里，我们提出了一种新的药物 - 目标亲和力（DTA）预测模型训练框架，其解决数据集偏差以改善新的生物分子的亲和预测。 DebiasedDTA使用集合学习和采样权重适应来识别和避免偏置，并且适用于大多数DTA预测模型。结果：结果表明，DebiasedDTA可以在预测看不见的生物分子之间的相互作用时提高模型。此外，可见的生物分子的预测性能也提高了。实验还表明，DebiasedDTA可以增强不同输入和模型结构的DTA预测模型，并且能够避免不同来源的偏差。预测的调查揭示了模型脱位可以减少误导性功能的重要性，并且可以使模型能够从蛋白质中学到更多。 DebiasedDTA已发布为开​​源Python软件包，以启用只有两行代码的脱叠自定义DTA预测模型。

直接到 - 卫星（DTS）通信最近已获得支持全球连接的物联网（IoT）网络的重要性。但是，地球周围密集部署的卫星网络相对较长的距离会导致高路径损失。此外，由于必须部分在物联网设备中进行诸如光束成型，跟踪和均衡之类的高复杂性操作，因此硬件复杂性和对物联网设备的高容量电池的需求都会增加。可重新配置的智能表面（RISS）具有增加能源效率并在传输环境而不是物联网设备上执行复杂的信号处理的潜力。但是，RIS需要级联通道的信息，以更改事件信号的阶段。这项研究将试点信号评估为图形，并将此信息纳入图表网络（GATS），以通过试点信号来跟踪相位关系。提出的基于GAT的通道估计方法研究了DTS IoT网络的性能，以解决不同的RIS配置，以解决具有挑战性的通道估计问题。结果表明，与常规深度学习方法相比，在变化条件下，拟议的GAT均表现出更高的性能，并且在变化的条件下具有更高的鲁棒性，并且计算复杂性较低。此外，根据提议的方法，在通道估计下具有离散和不均匀相移的RIS设计研究了位错误率性能。这项研究的发现之一是，必须在RIS设计期间考虑操作环境的渠道模型和通道估计方法的性能，以尽可能利用性能改进。

将推动下一代通信技术，以陆地网络与含有高空平台站和低地球轨道卫星的MEGA-星座的陆地网络（NTNS）的合作。另一方面，人类已经开始在一条漫长的道路上建立在其他行星上的新栖息地。这认为NTN与NTNS具有深度空间网络（DSN）的合作。在这方面，我们提出了使用可重构的智能表面（RISS）来改善和升级这一合作，因为它们与空间的操作环境的尺寸，重量和电力限制完全匹配。通过针对挑战，用例和公开问题来提出RIS协助非陆地和行星通信的全面框架。此外，通过仿真结果讨论了环境效应下RIS辅助NTN的性能，例如太阳闪烁和卫星阻力。

Figure 1: Dense pose estimation aims at mapping all human pixels of an RGB image to the 3D surface of the human body. We introduce DensePose-COCO, a large-scale ground-truth dataset with image-to-surface correspondences manually annotated on 50K COCO images and train DensePose-RCNN, to densely regress part-specific UV coordinates within every human region at multiple frames per second. Left: The image and the regressed correspondence by DensePose-RCNN, Middle: DensePose COCO Dataset annotations, Right: Partitioning and UV parametrization of the body surface.