基于对接过程的深度学习模型显著加速对接式虚拟筛选进程
摘要：基于对接的虚拟筛选（VS过程）使用计算对接方法从数百万的分子中选择具有潜在药理活性的配体，大大减少了实验筛选样本的数量，缩短了研究周期和节约了研究成本。然而，大多数对接分数较低的化合物可能会浪费大部分计算资源。在此我们报告了一种新颖且实用的基于对接的机器学习方法——MLDDM（Machince Learning Docking-by-Docking Models）。它由一个回归模型和一个分类模型组成，模拟了在许多虚拟筛选项目中常用的经典对接对接协议。MLDDM能够快速排除对接分数低的化合物，筛选出潜在对接分数高的化合物，这些化合物会进一步进行真实对接程序的检验。我们证明了MLDDM在10个特定蛋白质靶点的案例研究中识别活性化合物的能力很好。与纯对接的VS协议相比，使用MLDDM的VS过程平均可以提速120倍以上，并且与相应的对接对接VS协议的一致性率达到0.8以上。因此，在当前的大数据时代，它有望用于检查超大化合物库。
作者：Wei Ma (1), Qin Xie (1 and 2), Jianhang Zhang (2), Shiliang Li (1), Youjun Xu (2 and 3), Xiaobing Deng (3) and Weilin Zhang (2) ((1) Shanghai Key Laboratory of New Drug Design, State Key Laboratory of Bioreactor Engineering, School of Pharmacy, East China University of Science and Technology, Shanghai, China (2) Infinite Intelligence Pharma, Beijing, China (3) College of Chemistry and Molecular Engineering, Peking University, Beijing, China)
论文ID：2110.10918
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-10-26