化合物和蛋白质是药物发现中两个最基本的实体,建模它们之间的相互作用是药物发现的基础。尽管目前仍然没有一种通用的计算方法可以预测和解释所有的化合物-蛋白质相互作用,但是研究人员们可以利用不同的生物数据、从多种研究视角构建化合物-蛋白...
利用图卷积从分子图中提取原子和化合物特征。利用一维卷积从蛋白质序列中提取残基特征。利用相互作用概率预测成对的非共价相互作用。结合原子和残基特征以及相互作用矩阵预测结合亲和力。这种综合架构旨在捕捉化合物-蛋白质相互作用的局部和全局特征，从而有助于准确预测结合亲和力和相互作用位点。利用基准数据集和来自蛋白质...
作者进一步利用该模型从特定蛋白来预测具有高相互作用的化合物。首先以表皮生长因子（EGF）蛋白进行预测，如图4所示，作者的方法给出排名前三的3个预测化合物分别为：BDBM4282，BDBM4337，BDBM3990，并且在BindingDB数据库中分别排为2,14,15名。这也可以看出该模型可以有效地预测化合物-蛋白的相互作用。图4 三个化...
在药物研发过程中,预测化合物与蛋白质之间的相互作用是非常重要的。这种相互作用包括化合物与靶蛋白的结合、亲和力、相互作用位点以及生物活性等信息。准确地预测这些化合物-蛋白质相互作用可以帮助研发人员在早期筛选和设计潜在药物分子时更有效地工作。 然而,深度学习方法在化合物-蛋白质相互作用预测中面临一些挑战。首先...
识别化合物-蛋白质相互作用(CPI)对于药物发现至关重要。由于实验验证CPI通常耗时且昂贵,因此期望计算方法能够促进这一过程。可用的CPI数据库迅速增长加速了许多机器学习方法用于CPI预测的发展。然而,它们的性能,特别是它们在外部数据上的泛化能力,往往受到数据不平衡的影响,这归因于缺乏经验证的非活性(负面)样本。在这...
整合相互作用信息:预测的成对非共价相互作用结果被整合到结合亲和力预测模块中。这使得 MONN 能够有效利用化合物和蛋白质特征之间的共享信息,从而进行更准确的亲和力预测。 作者在他们构建的基准数据集上进行了全面的交叉验证测试,证明即使在使用无三维结构信息的情况下,MONN 也能成功地学习成对非共价相互作用。此外,他们...
化合物和蛋白质是药物发现中两个最基本的实体,对它们之间相互作用的建模是药物发现的基础。尽管目前仍然没有一种通用的计算方法可以预测和解释所有的化合物-蛋白质相互作用,但是研究人员们可以利用不同的生物数据、从多种研究视角构建化合物-蛋白质相互作图谱。
SSGraphCPI模型由三个通道组成,其中一个编码蛋白质SPS序列,其余两个通道编码化合物Smiles串和化合物的二维分子图,编码化合物的两个通道与编码蛋白质的通道结合来预测化合物蛋白的相互作用。作者将Smiles长度和SPS字符串的最大长度分别设置为100和152。此外,通过预训练化合物和蛋白质表征,可以捕获序列中蛋白质残基或化合...
识别化合物-蛋白质相互作用(CPI)对于药物发现至关重要。由于实验验证CPI通常耗时且昂贵,因此期望计算方法能够促进这一过程。可用的CPI数据库迅速增长加速了许多机器学习方法用于CPI预测的发展。然而,它们的性能,特别是它们在外部数据上的泛化能力,往往受到数据不平衡的影响,这归因于缺乏经验证的非活性(负面)样本。在这...
中国科学院上海药物研究所研究员郑明月,副研究员张素林、李叙潼,提出了基于知识图谱的人工智能计算模型PertKGE,并以数据驱动的形式从微扰转录组数据中解耦出化合物-蛋白质相互作用(CPI)。9月19日,相关研究发表于《细胞基因组学》。 对化合物和蛋白质之间的相互作用进行建模,是药物发现的基础。目前,研究人员可以利用不...