.png){kind=icon}
返回
Protein-ligand binding affinity prediction using multi-instance learning with docking structures
.png){kind=icon}
OA
AI
DOI：10.3389/fphar.2024.1518875.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言
近年来，基于3D结构的深度学习方法在预测蛋白质-配体结合亲和力方面展现出更高的准确性，这在药物发现领域具有重要意义。这些方法能够补充基于物理的计算建模方法，如分子对接，用于虚拟高通量筛选。尽管近年来取得了进展并提升了预测性能，但该类别中的大多数方法主要依赖于使用共晶复合物结构和实验测量的结合亲和力作为模型训练的输入和输出数据。然而，共晶复合物结构并非唾手可得，且分子对接预测的结构不准确会降低机器学习方法的精度。
方法
我们介绍了一种新颖的基于结构的推理方法，该方法利用每个复合实体中的多个分子对接构象。我们提出的方法采用多实例学习结合注意力网络，从对接构象集合中预测结合亲和力。
结果
我们使用多个数据集验证了该方法，包括PDBbind和靶向SARS-CoV-2主要蛋白酶的化合物。结果表明，我们利用对接构象的方法在性能上可与依赖共晶结构的其他最先进推理模型相媲美。
讨论
该方法无需共晶结构即可预测结合亲和力，从而增加了其适用于缺乏此类数据的蛋白质靶点的应用范围。
Keyword:
AI-driven drug development
virtual high-throughput screening
protein-ligand interaction
molecular docking
3D atomic graph representation
structure-based machine learning
multi-instance learning
attention mechanism
期刊
IF:
4.8
论文数:
6.4K
被引数:
10.6W
机构
暂无机构信息
引用论文
AutoDock Vina 1.2.0: New Docking Methods, Expanded Force Field, and Python BindingsAutoDock Vina 1.2.0: 新的对接方法，扩展的力场和Python绑定
OAAI
OAAI分享收藏KDEEP: Protein-Ligand Absolute Binding Affinity Prediction via 3D-Convolutional Neural NetworksKDEEP: 通过3d卷积神经网络预测蛋白质-配体绝对结合亲和力
PREAI
分享收藏Discovery of SARS-CoV-2 main protease inhibitors using a synthesis-directed de novo design modelOAAI
OAAI分享收藏Software News and Update AutoDock Vina: Improving the Speed and Accuracy of Docking with a New Scoring Function, Efficient Optimization, and Multithreading软件新闻和更新AutoDock Vina: 通过新的评分功能，高效的优化和多线程提高对接的速度和准确性OAAI
OAAI分享收藏Multiple instance learning: A survey of problem characteristics and applications多实例学习: 问题特征与应用综述.png)
PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容