奥利维尔持久的李氏曲率（OPRC）基于分子表示的药物设计
摘要：药物设计中，高效的分子特征化是机器学习模型的主要问题之一。在这里，我们首次提出了持久性Ricci曲率（PRC），尤其是Ollivier持久性Ricci曲率（OPRC），用于分子特征化和特征工程。我们采用了持久同调中的滤波过程来生成一系列嵌套的分子图。在这些嵌套图上定义了Ollivier Ricci曲率的持久性和变化，称为Ollivier持久性Ricci曲率。此外，持久性属性，即在滤波过程中OPRC的统计和组合性质，被用作分子描述符，并与机器学习模型相结合，尤其是梯度提升树（GBT）。我们的OPRC-GBT模型被用于预测蛋白质-配体结合亲和力，这是药物设计中的关键步骤之一。基于来自著名的蛋白质-配体结合数据库PDBbind的三个最常用数据集，我们对模型进行了深入测试，并与现有模型进行了比较。结果发现，我们的模型优于所有使用传统分子描述符的机器学习模型。
作者：JunJie Wee and Kelin Xia
论文ID：2011.10281
分类：Biomolecules
分类简称：q-bio.BM
提交时间：2020-11-23