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...
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...
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...
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...
作者提出了一种新的多模态特征提取(multimodal feature extraction, MFE)框架,该框架结合了来自蛋白质表面、3D结构和序列的信息,并使用交叉注意力机制在不同模态之间进行特征对齐。实验结果表明,MFE在预测蛋白质配体结合亲和力方面超越了现有的方法。 MFE的架构如图1所示,包括(a)结构特征提取;(b)表面特征提取;(c)序列...
为应对这些限制，作者研发了一种新颖的图神经网络策略，融合了Vina距离优化项，用于预测蛋白质-配体结合亲和力。这一方法首次将图神经网络、多通道机制以及基于物理距离项进行了结合。与其他方法不同，GraphscoreDTA不仅能够有效捕获蛋白质-配体对之间的相互信息，还能够突显配体的关键原子和蛋白质的残基。研究结果显示，...
GC-GNN 的独特敏感性:该模型在高亲和力预测中特别依赖蛋白质-配体相互作用信息。 比较分析:研究将 GC-GNN 的学习特性与其他 GNN 模型进行了对比,揭示了独特的趋势和贡献。 可视化和解释: 将预测映射到相互作用:研究提供了将 Edges 贡献映射回实际蛋白质-配体相互作用的视觉示例。
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...
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...