最近的进展表明,通过学习蛋白质-配体复合物的表征,应用图神经网络(GNN)进行更好的亲和力预测有很大的前景。然而现有的解决方案通常将蛋白质-配体复合物作为拓扑图数据处理,没有充分利用生物分子结构信息。此外,蛋白质和配体之间的基本远程相互作用信息对于预测结合亲和力很有价值,但在目前的GNN框架下无法处理该信息。
本文首次将图神经网络、双传输信息机制和基于物理的距离项结合起来,提出了一种基于Vina距离优化项的预测蛋白-配体结合亲和力的图神经网络策略,称为GraphscoreDTA。与其他方法相比,GraphscoreDTA不仅可以有效地捕获蛋白质-配体对的相互信息,还可以突出配体的重要原子和蛋白质的残基。结果表明,GraphscoreDTA在多个测试集上显...
本文首次将图神经网络、双传输信息机制和基于物理的距离项结合起来,提出了一种基于Vina距离优化项的预测蛋白-配体结合亲和力的图神经网络策略,称为GraphscoreDTA。与其他方法相比,GraphscoreDTA不仅可以有效地捕获蛋白质-配体对的相互信息,还可以突出配体的重要原子和蛋白质的残基。结果表明,GraphscoreDTA在多个测试集上显...
最近的进展表明,通过学习蛋白质-配体复合物的表征,应用图神经网络(GNN)进行更好的亲和力预测有很大的前景。然而现有的解决方案通常将蛋白质-配体复合物作为拓扑图数据处理,没有充分利用生物分子结构信息。此外,蛋白质和配体之间的基本远程相互作用信息对于预测结合亲和力很有价值,但在目前的GNN框架下无法处理该信息。 2 ...
在文章中,作者开发了一个叫做PLANET的图神经网络模型(Protein−Ligand Affinity prediction NETwork),用于蛋白质-配体结合亲和力预测。该模型以靶蛋白上结合袋的三维图表示结构和配体分子的二维化学结构为输入。该方法通过一个多目标过程进行训练,包括三个相关任务:获得蛋白质-配体结合亲和力,蛋白质-配体接触图和配体距离...
本文介绍由中国科学技术大学和百度商业智能实验室等机构的研究人员合作发表于KDD 2021的研究成果:作者提出了一个基于图神经网络的模型SIGN(structure-aware interactive graph neural network),通过利用原子间的细粒度结构和相互作用信息来学习蛋白质-配体复合物的表征,从而更好地进行结合亲和力预测。SIGN由两部分组成:极坐...
本研究开发了一种名为PLANET的图神经网络模型,用于蛋白质-配体结合亲和力的预测。该模型以蛋白质靶点的图形化3D结构和配体分子的2D化学结构作为输入,并通过多目标训练过程进行训练,包括预测蛋白质-配体结合亲和力、蛋白质-配体接触图和配体距离矩阵。在多个基准测试中,PLANET表现出与其他深度学习模型相当的评分能力和合理...
本文首次将图神经网络、双传输信息机制和基于物理的距离项结合起来,提出了一种基于Vina距离优化项的预测蛋白-配体结合亲和力的图神经网络策略,称为GraphscoreDTA。与其他方法相比,GraphscoreDTA不仅可以有效地捕获蛋白质-配体对的相互信息,还可以突出配体的重要原子和蛋白质的残基。结果表明,GraphscoreDTA在多个测试集上...
在文章中,作者开发了一个叫做PLANET的图神经网络模型(Protein−Ligand Affinity prediction NETwork),用于蛋白质-配体结合亲和力预测。该模型以靶蛋白上结合袋的三维图表示结构和配体分子的二维化学结构为输入。该方法通过一个多目标过程进行训练,包括三个相关任务:获得蛋白质-配体结合亲和力,蛋白质-配体接触图和配体距离...