.png){kind=icon}
返回
LiBRe: A Ligand-Aware Sequence-Based Binding Residue Prediction Model for Virtual Screening
.png){kind=icon}
OA
AI
DOI：10.1021/acs.jcim.5c02883.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过识别蛋白质-配体结合位点来解锁分子识别并推动治疗开发至关重要。基于序列的深度学习模型在预测蛋白质-配体结合位点方面引起了关注，因其可扩展性且无需依赖结构信息。然而，现有方法大多仅关注蛋白质序列信息而未考虑配体信息，尽管结合位点本身是通过与特定配体的相互作用来定义的。为解决此问题，我们提出了一种具有配体感知能力的序列结合位点预测模型，该模型明确整合了来自蛋白质序列的残基级信息及配体信息。所提出的模型在预测配体结合位点方面取得了显著提升，优于现有的基于序列和基于结构的基线模型。此外，由我们模型预测的配体结合位点定义的口袋与现有工具相比展现出更强的结合亲和力及更高的稳定性。这些结果表明，我们的模型在虚拟筛选和药物发现中具有显著的应用潜力。我们的源代码公开可访问于 https://github.com/GoldRiver0/LiBRe。
Keyword:
LANGUAGE
SITES
GENERATION
PROTEINS
DATABASE
DOCKING
期刊
IF:
5.3
论文数:
9.2K
被引数:
4.0W
机构
引用论文
分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏ToxiPep: Peptide toxicity prediction via fusion of context-aware representation and atomic-level graphToxiPep：通过融合上下文感知表示和原子级图进行肽毒性预测
IF0
PREAI
分享收藏
查看更多内容