研究人员在标准 PDBbind-v2016 数据集上训练模型,其实验结果在 RMSE 上优于 SIGN 7.5%,在 MAE 上优于 SIGN 9.4%,这证实了所提出的 CurvAGN 模型在改善蛋白质-配体结合亲和力预测方面是有效的。对于蛋白质-配体结合亲和力预测,预测的...
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。
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。
另一方面,在药物设计或药物筛选(无论是单个蛋白-多个配体的正向筛选,还是单个配体-多个蛋白的逆向筛选)的过程中,也离不开对复合物构象的准确预测:这是准确计算蛋白质-配体结合稳定性(亲和力)的必要条件。 对于给定蛋白和给定配体分子,依据是否已知结合口袋(也称...
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...
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...
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-配体相互作用指的是蛋白质与小分子化合物之间的相互作用。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。
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...
准确预测蛋白质和配体之间的结合亲和力对于药物发现至关重要。图神经网络(GNN)的最新进展在学习蛋白质-配体复合物的表示以估计结合亲和力方面取得了重大进展。为了提高 GNN 的性能,经常需要从几何角度研究蛋白质-配体复合物。 虽然「现成的」GNN 可以包含分子的一些基本几何结构,例如距离和角度,通过将复合体建模为同亲图...