具有构象灵活性的等变图匹配网络的预训练用于药物结合
摘要：基于改进的等变图匹配网络（EGMN），我们提出了一种新颖的时空预训练方法ProtMD，该方法具有两个特别设计的自监督学习任务：基于原子水平提示的去噪生成任务和构象水平快照排序任务，以捕捉MD轨迹中具有非常细致时间分辨率的灵活性信息。ProtMD可以赋予编码器网络捕捉沿MD轨迹的构象的时态几何移动性的能力。我们选择了两个下游任务，即结合亲和力预测和配体功效预测，通过线性检测和任务特定的微调验证了ProtMD的有效性。与当前最先进的方法相比，我们观察到显著的改进，结合亲和力问题的RMSE减少了4.3％，而配体功效问题的平均AUROC和AUPRC增加了13.8％。结果揭示了构象在三维空间中的运动幅度（即灵活性）与配体与其受体结合强度之间的强相关性。
作者：Fang Wu, Shuting Jin, Yinghui Jiang, Xurui Jin, Bowen Tang, Zhangming Niu, Xiangrong Liu, Qiang Zhang, Xiangxiang Zeng, Stan Z. Li
论文ID：2204.08663
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-01-10