SPIN: SE(3)-不变的物理信息网络用于亲和力预测
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
本文介绍了一种基于机器学习的方法,利用3D 原子坐标来直接标识蛋白质复合物的准确模型,提高准确模型的识别,也可以用于绝对预测准确结构模型的方法。
Jun, 2020
本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质-配体复合物的结合亲和力,以增强深度神经网络(DNN)药物靶标交互模型的泛化能力,并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献,这种物理信息策略为进一步配体优化提供了见解。我们的模型PIGNet在CASF2016比较评估中得到验证,表现出优于以前方法的对接和筛选能力。
Aug, 2020
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
本文通过设计SE(3)-等变图匹配网络,使用关键点匹配和对齐来逼近配体口袋,并使用可微分Kabsch算法预测对接姿态,从而预测蛋白质复合物的3D结构,提出了一个名为EquiDock的模型。该模型在不需要大量采样、结构精炼或模板的情况下,在大多数情况下都能在计算时间上优于现有的对接软件,但仍需要进行实证研究。
Nov, 2021
我们提出了一种使用稀疏学习在图神经网络中的方法(SLGNN),该方法通过使用基于化学亚结构的图来表示药物分子,并结合广义融合套索和消息传递算法来识别对于药物-蛋白质结合预测至关重要的连接子图。结果表明,SLGNN识别出的关键结构在化学上是有效的,具有较高的预测能力,并且包含了大部分结合位点。
Aug, 2023
通过整合发布的经验结构基于对接和序列基于深度学习模型,我们开发了一个元建模框架,多个元模型在结合输入特征多样性的情况下,显著提高了结合亲和力预测的准确性,从而节省了找药物的时间和费用。
Oct, 2023
通过引入机器学习方法,NeuralMD首次提出了一种能够促进分子动力学和提供准确的蛋白质-配体结合动力学模拟的机器学习代理模型,该模型在提高效率方面展现出非凡的成果,并通过稳定度指标超出其他机器学习方法高达80%的表现,更具稳定性的蛋白质-配体结合预测。
Jan, 2024
通过结合药物的三维蛋白质结构特征、传统特征和药物结构,我们提出了GraphPrint框架用于准确预测药物靶标的亲和力,通过在KIBA数据集上的实验结果证明了我们模型取得了平均平方误差为0.1378和协调指数为0.8929的较好性能,并且优于仅使用传统蛋白质特征的方法。同时,我们的消融研究表明基于三维蛋白质结构的特征提供了与传统特征互补的信息。
Jul, 2024