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-配体结合结构预测结合亲和力。实验表明,FDA在DAVIS数据集中的表现超越了现有的最先进的无对接模型,展示了明确模拟三维结合构象对提高结合亲和力预测准确性的潜力。 大多数现有的结合亲和力预测方法利用机器学习方法,但它们通常不考虑结合姿态,即无对接,因此忽略...
在最新的研究中,腾讯 AI Lab 的研究人员提出了 Interformer,这是一种计算 AI 模型,旨在缓解蛋白质-配体对接中的相互作用感知问题,并在实际应用中采用建设性学习进行亲和力预测。 首先,研究人员提出了一种相互作用感知混合密度网络 (MDN) 来模拟非共价相互作用,明确关注蛋白质-配体晶体结构中存在的氢键和疏水相互作用。
在第二阶段的最后,所有蛋白质-配体对的MDF被聚合成一个能量函数和,然后将其引入蒙特卡罗(MC)采样方法,以生成相对于其蛋白质目标的前k个候选配体构象。MC取样最初将配体定位在蛋白质结合位点内的不同位置,并分配随机扭转角,然后寻求最小化与配体构象相关的给定能量函数。通过汇总所有按能量值排序的候选姿态,可以得到...
化合物会与蛋白特定的结合位点发生相互作用,从而形成稳定的蛋白质-配体复合物。分子对接作为一种常见的计算化学方法,用于预测蛋白质与配体之间的结合方式。它能够有效地确定蛋白质-配体复合物的结合位姿,为药物设计提供了一定的帮助。 然而,预测蛋白质与配体之间的结合亲和力仍然是一个备受挑战的问题。从亲和力指标中能够...
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...
该论文从归纳偏好的角度探讨了深度学习模型在蛋白质-配体亲和力(Protein-Ligand Binding Affinity, PLA)预测任务中的泛化能力和可解释性。归纳偏好是指在深度学习模型中为了更好地进行学习和泛化而引入的假设或偏好。归纳偏好通过限制模型的假设空间,使其在有限的数据上更容易找到合适的模式,从而提高模型的泛化性能。模型...
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。但现有的方法主要关注单模态数据，忽略了蛋白质的多模态信息。此外，在处理蛋白质的多模态信息时，传统方法通常以直接的方式连接来自不同...
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...
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...
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 ...