作者用了六种不同的图神经网络(GNNs),系统地预测了蛋白质-配体亲和力,并解释了这些预测,以确定和比较GNN学习特性。这些不同架构的GNN包括图卷积网络(GCN),图注意网络(GAT),图同构网络(GIN)及其边包含变体(GINE),具有泛化激活函数的GNN(GraphSAGE)以及使用图卷积(GraphConv)操作符的另一种GNN,这里称为GC-GNN。这...
为了实现该归纳偏好,文章提出了一个可解释的异质相互作用图神经网络(EHIGN)用于PLA预测。EHIGN的核心设计包括如下四个方面: 将复合物建模为异质图,包括配体内部、蛋白质内部、配体与蛋白质间及蛋白质与配体间四种类型的原子间相互作用,如图3(a)所示。 EHIGN使用异质相互作用图神经网络(HIGN)从四种类型的原子间相互...
对于BioSNAP和BindingDB,作者采用了与DrugBAN提案一致的第四种策略,以确保验证和测试集中的蛋白质和配体不仅是未见过的,而且与训练集中的显著不同(图2f)。 功能效果分类:为了评估基于序列的方法在功能效果预测方面的有效性,作者策划了一个基于序列的数据集,将配体分类为激动剂、拮抗剂或非结合剂,并按7:1:2的比例...
图1:蛋白质-配体相互作用图的亲和力预测合理化示意图 该图展示了分析的各个阶段,包括根据 X 射线结构生成相互作用图,利用图神经网络(GNN)训练和测试预测数值亲和力,识别预测中关键 Edges 的重要性,并划分对预测结果起决定性作用的子图。 图2:预测中关键 Edges 在不同亲和力范围内的比例对比 该彩色编码条形图比较了...
CNN）来提取有用的特征。这些方法在预测结合亲和力方面表现出比传统的基于机器学习的模型更好的性能。然而，当使用 3D 矩形网格表示时，复合体中原子的稀疏分布可能会导致计算效率低下。将蛋白质-配体复合物建模为节点对应于原子的图是一种自然而有效的方法。图神经网络（GNN）在表达图结构方面表现出了卓越的能力，...
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...
物理化学图神经网络 莫纳什大学和格里菲斯大学的研究团队开发了 PSICHIC,即物理化学图神经网络,这是一种遵循物理化学原理从序列数据直接解码蛋白质-配体相互作用指纹的方法。与以前基于序列的模型不同,PSICHIC 独特地结合了物理化学约束,以实现最先进的准确性和可解释性。
它通常用残基图来表示,其中节点表示氨基酸残基,边表示残基之间的相互作用,如氢键、疏水相互作用或空间接近关系。目前,图神经网络(GNN)被广泛用于捕获蛋白质残基图的特征。然而,GNN主要关注图中节点之间的拓扑关系,而不是这些节点在三维空间中的具体位置和方向。几何向量感知器(GVP)通过不仅集成拓扑特征,而且集成节点的...
近日,浙江大学和中国科学院研究团队,提出了一种名为 EquiScore 的新型评分方法,利用异构图神经网络整合物理先验知识,并在等变几何空间中表征蛋白质-配体相互作用。 EquiScore 基于一个新数据集进行训练,该数据集采用多种数据增强策略和严格的冗余消除方案构建。