تنبؤ هيكل ربط جزيء صغير (ليجاند) ببروتين -- وهي مهمة تُعرف باسم الربط الجزيئي -- أمر حاسم في تصميم الأدوية. لقد قللت الأساليب الحديثة للتعلم العميق التي تتعامل مع الربط كمشكلة انحدار من وقت التشغيل مقارنة بالأساليب التقليدية القائمة على البحث، ولكنها لم تقدم بعد تحسينات كبيرة في الدقة. بدلاً من ذلك، نقوم بتصور الربط الجزيئي كمشكلة نمذجة توليدية ونطور DiffDock، وهو نموذج توليدي انتشاري على المنحني غير الإقليدي لأوضاع الليجاند. لتحقيق هذا، نقوم بتخريج هذا المنحني إلى الفضاء المنتج لدرجات الحرية (الترجمية والدورانية والمفصلية) المعنية بالربط وتطوير عملية انتشار فعالة على هذا الفضاء. عملياً، يحقق DiffDock معدل نجاح أعلى بنسبة 38% (RMSD<2A) على PDBBind، مما يتفوق بشكل كبير على أحدث ما تم الوصول إليه من أساليب الربط التقليدية (23%) وأساليب التعلم العميق (20%). بالإضافة إلى ذلك، بينما لا تستطيع الأساليب السابقة الربط بأโครง البروتين المطوية حاسوبيًا (أقصى دقة 10.4%)، فإن DiffDock يحافظ على دقة أعلى بكثير (21.7%). أخيرًا، يتمتع DiffDock بأوقات استدلال سريعة ويقدم تقديرات للثقة بدقة اختيارية عالية.