基于点云的深度学习策略用于蛋白质-配体结合亲和力预测
摘要：基于深度学习算法的蛋白质-配体亲和力模型的开发引起了广泛关注，主要是由于其在药物研发中的巨大应用。本文首次应用点云多层感知器PointNet和PointTransformer来预测蛋白质-配体亲和力。从PDBbind-2016数据集中，可以快速生成三维点云，其中包含3,772个点云和11,327个点云，分别来自精细集合和常规集合。这些点云用于训练PointNet或PointTransformer，根据CASF-2016基准测试，从较大的点云分别得出了具有Pearson相关系数R = 0.831或0.859的蛋白质-配体亲和力预测模型。参数分析表明，这两种深度学习模型能够学习蛋白质和其配体之间的许多相互作用，并且这些相互作用的关键原子可以在点云中可视化。通过PointTransformer学习到的蛋白质-配体相互作用特征可以进一步适应基于XGBoost的机器学习算法，结果得出了平均Rp为0.831的预测模型，与基于PDBbind数据库的最先进机器学习模型相媲美。这些结果表明，从PDBbind数据集衍生的点云可以用于评估以3D点云为中心的深度学习算法的性能，这些算法可以从自然进化或药物化学中学习到关键的蛋白质-配体相互作用，并在研究蛋白质-配体相互作用时具有广泛的应用。
作者：Yeji Wang, Shuo Wu, Yanwen Duan, Yong Huang
论文ID：2107.04340
分类：Biomolecules
分类简称：q-bio.BM
提交时间：2021-07-12