如图1所示,Interformer是一种基于晶体结构数据训练的深度学习模型,用于蛋白质-配体对接亲和力预测任务。它的架构受到图Transformer的启发,最初是为图表示学习任务而提出的。 首先,该模型以晶体结构中的单个初始配体三维构象和蛋白质结合位点作为输入。图被广泛用于各种方法来说明配体和蛋白质,如图1a所示,其中节点表示原子,边表示两个原子之间的
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,因此忽略了配体与蛋白质之间的原子级相互作用,如图1(a)所示。在这些模型中,蛋白质主要表示为氨基酸序列或蛋白质接触图,而配体则用SMILES字符串或分子图表示。这些无对接方法通常作为黑箱模型运行,缺乏结构上下文。虽然它们可以以端到端...
然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。 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...
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...
右:Interformer生成的正确结合姿态,其中预测的相互作用能量函数恢复了几乎所有的氢键和疏水相互作用(RMSD: 0.67)。 在这项工作中,我们提出了Interformer,一种计算AI模型,旨在解决蛋白质-配体对接中的交互感知问题,并采用建设性学习进行实际应用中的亲和力预测。首先,我们提出了一种交互感知混合密度网络(MDN)来建模非...
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...
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...
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，...
大多数现有的结合亲和力预测方法,像是 DeepDTA、GraphDTA 等基于机器学习的无对接(docking-free)方法,它们在预测时,往往直接从蛋白质序列和分子 SMILES 字符串入手,却忽略了蛋白质与配体在原子水平的相互作用,就好比搭建房屋时忽略了每一块砖之间的紧密连接。而当有高分辨率的共结晶三维结构时,基于对接(docking-based)...