准确预测蛋白质-配体结合亲和力在药物发现中至关重要。现有方法主要是不涉及对接的,当无法获得结晶的蛋白质-配体结合构象时,这些方法并未明确考虑蛋白质与配体之间在原子级别的相互作用。作者引入了一个框架——折叠-对接-亲和力(FDA)。该框架折叠蛋白质,确定蛋白质-配体的结合构象,并从三维蛋白质-配体结合结构预测...
1. 分子对接:分子对接是一种常用的蛋白质-配体结合亲和力预测方法。它通过计算蛋白质和配体之间的相互作用能来预测它们的结合亲和力。 2. 反向分子对接:反向分子对接是一种从已知的配体库中筛选出与目标蛋白质结合亲和力高的配体的方法。通过将分子库中的配体依次与蛋白质进行对接,并计算它们的结合亲和力,从而预测与蛋...
然而,目前的研究主要利用基于序列或结构的表示来预测蛋白质-配体的结合亲和力,对蛋白质-配体相互作用至关重要的蛋白质表面信息的研究相对较少。 分子表面是蛋白质结构的高级表示,它表现出化学和几何特征模式,可作为蛋白质与其他生物分子相互作用模式的指纹。因此,一些研究开始使用蛋白质表面信息来预测蛋白质-配体结合亲和力。
因此,在蛋白质-配体结合亲和力预测中,利用蛋白质口袋信息可以更准确地预测蛋白质与配体的结合能力。然而,如果只考虑蛋白质口袋的表面和结构信息,则忽略了蛋白质的全局信息。从微观角度看,蛋白质本质上是一长段氨基酸序列,该序列在三维空间中发生折叠等变化,形成完整的蛋白质结构。因此,作者使用完整的氨基酸序列来表示蛋...
通过设计了多个原子卷积神经网络来预测蛋白配体绑定亲和力。如图1A所示,每个分子的输入为原子坐标及原子的类型,并用复合物和蛋白与配体之间的能量差来估计结合亲和值。其估值表示为 。其中原子卷积神经网络(ACNN)模块包括原子类型卷积层和维度分别为32,32,16的三个全链接层。接着,通过将该表征通过聚合函数来预测能量...
基于此，来自厦门大学的研究人员提出了一种新颖的多模态特征提取（MFE）框架，该框架首次结合了蛋白质表面、3D 结构和序列的信息，并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明，该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外，消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的...
蛋白质-配体结合亲和力预测存在挑战蛋白质-配体结合亲和力预测是药物发现的关键步骤。它使研究人员能够在进行昂贵且耗时的实验之前识别潜在的候选药物并优化其特性。三维 (3D) 结构蛋白数据的可用性不断增加，为基于结构的药物发现提供了新的范式，并且 3D 结构信息已被证明可以促进药物设计。人们已经开发了各种计算方法来...
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...
基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D 结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。 实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效...
这里的配体通常是指包括小分子和生物制剂在内的候选药物，它们可以在生物过程中作为激动剂或抑制剂与蛋白质相互作用以治疗疾病。结合亲和力，即蛋白质和配体（如药物）之间的结合作用的强度，可以通过实验方法测量，但是这些生物测试是费时费力的。通过计算机辅助模拟方法和数据驱动学习模型，可以在药物发现的早期阶段预测...