May, 2024

PLA-SGCN: 蛋白质 - 配体结合亲和力预测的相似对和半监督图卷积网络的整合

PDF
TL;DR本文提出了一种利用半监督图卷积网络（GCN）在蛋白质 - 配体亲和性（PLA）预测中整合了相似困难样本的方法，通过同时检索相似困难样本、学习蛋白质 - 配体描述符、学习输入样本的图拓扑结构以及使用半监督 GCN 进行任务预测，显著优于相似方法。
protein-ligand binding affinitypla predictiondeep learninggraph convolutional networksemi-supervised gcn
发现论文，激发创造
  • 一种用于精准绑定亲和力评分和虚拟筛选的多用途深度学习蛋白质 - 配体相互作用预测模型

    通过引入新的数据增强策略和物理信息神经网络，我们提出了一种解决蛋白质 - 配体相互作用预测中结构 - 亲和力数据缺乏的问题的可行方法，并得到了显著的性能提升，适用于药物发现中的配体结合活性评分和虚拟筛选。

    Jul, 2023

  • 基于结构感知的交互式图神经网络用于预测蛋白质 - 配体结合亲和力

    本研究提出了一种结构感知交互图神经网络 (SIGN)，用于预测蛋白质 - 配体复合物的亲和力。SIGN 包含极性启发式图注意力层（PGAL）和配对交互池（PiPool）两个部分，能充分利用生物分子结构信息并考虑原子之间的长程相互作用，在两个基准测试中显示其优越性。

    Jul, 2021

  • 细粒度相互作用中的蛋白质 - 配体结合表示学习

    我们提出了一种自监督学习的方法来学习蛋白质 - 配体结合表示，通过识别复杂的结合模式，从细粒度的相互作用中获得丰富的结合信息。我们的方法在各种结合任务中展现出优势，包括蛋白质 - 配体亲和性预测、虚拟筛选和蛋白质 - 配体对接。

    Nov, 2023

  • 基于结构的深度融合推断提高蛋白质配体结合亲和力预测

    该研究提出使用融合模型来组合不同深度学习模型的特征表示，从而改善预测蛋白质 - 配体结合亲和力的效果，并在 PDBBind 2016 数据集和其对接位点复合物方面证明效力。

    May, 2020

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

    Dec, 2017

  • 卷积神经网络在蛋白质 - 配体评分中的应用

    本研究利用深度卷积神经网络结合大量蛋白质配体结合和结构数据，开发了一种新的评价蛋白质配体相互作用的计算方法，可以用于计算机辅助新药研发并取得了比传统方法更好的效果。

    Dec, 2016

  • 蛋白质 - 配体结合亲和力预测的多任务生物测定预训练

    本文提出了多任务生物测定预训练框架 (MBP)，该模型结合蛋白质 - 配体复合物的三维结构作为输入来预测蛋白质 - 配体结合亲和力，利用 ChEMBL-Dock 数据集对不同亲和力标签的预测进行多任务预训练，并且分类了相对排名是否来自同一生物测定，通过实验证明 MBP 作为通用框架能够改进并针对主流结构基预测任务。

    Jun, 2023

  • 一种混合量子经典融合神经网络用于提高药物发现中蛋白质 - 配体结合亲和力预测

    本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

    Sep, 2023

  • 蛋白质语言模型驱动的蛋白质序列预测三维配体结合位点

    预测蛋白质的配体结合位点对于理解蛋白质功能和筛选潜在药物是一项基础而重要的任务。通过使用蛋白序列和配体分子图作为输入，LaMPSite 模型能够在没有 3D 蛋白质结构信息的情况下预测结合位点，与需要 3D 结构的基准方法相比具有竞争力的性能，这为药物发现提供了新的机会。

    Dec, 2023

  • 原子卷积网络用于预测蛋白质 - 配体结合亲和力

    本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。

    Mar, 2017