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...
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...
在错综复杂的药物研发过程中,蛋白质-配体对接和亲和力预测任务多年来一直是药物发现过程中的重要组成部分。 蛋白质-配体对接是药物分子结构优化的关键任务,目的是预测配体(小分子)与蛋白质受体或酶结合时的位置和方向。 亲和力预测任务利用准确的结合姿势(蛋白质-配体结合复合物构象),提供配体与其目标蛋白质之间结合强度...
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...
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获得关于蛋白质与配体相互作用强度的关键信息,并且在药物的虚拟筛选和再利用中发挥着重要作用,为准确设计具有特定生物活性的化合物提供了重要的指导。 模型介绍 2.1 PLBAP模型架构(基于原子卷积模块) ...
EHIGN将亲和力的预测值分解为蛋白质-配体原子间非共价相互作用力的预测值之和,如图3(b)所示。这一策略不仅缓解了由于瓶颈架构而导致的结构信息丢失问题,而且提高了模型的可解释性。 EHIGN通过一个可学习的偏差纠正项抵消了隐藏偏差(如图3(b)所示),从而提高了模型的泛化能力。
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 ...
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...
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，...
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...