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...
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...
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。
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...
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...
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...
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...
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...
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...
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...