入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高...

发布网友发布时间：2024-09-15 03:30

共1个回答

热心网友时间：2024-10-13 07:01

预测靶蛋白结合位点对药物发现至关重要，传统方法如卷积神经网络在表示不规则结构、旋转敏感性、表面几何特征描述和对蛋白质大小变化的适应性方面存在局限性。为此，中国人民大学高瓴人工智能学院团队在ICML 2024上发布“EquiPocket”，利用等变图神经网络解决这些挑战。

EquiPocket是首个将E(3)等变图神经网络应用于配体结合位点预测的框架，它解决了基于CNN方法的缺陷，如表示不规则结构、对旋转敏感、描述表面几何特征不足和对蛋白质大小变化的不敏感性。该框架通过三个模块实现：局部几何建模、全局结构建模和表面信息传递。

在实验中，EquiPocket与基线模型比较，性能提升10-20%，显著优于基于几何、机器学习、CNN、图模型和空间图模型的方法。在COACH 420、HOLO4K和PDBbind数据集上的评估表明，基于几何的方法Fpocket性能较差，机器学习方法P2rank通过结合几何信息显著提升性能。基于CNN方法性能高于几何方法，但需要大量参数和计算资源。图模型性能低于空间图模型，而空间图模型的效果优于基于CNN和几何的方法。

蛋白质表面几何信息和多层次结构信息对于结合位点预测至关重要。EquiPocket不仅能够从原子层面更新化学和空间信息，还能够有效收集几何信息，无需过多计算资源，性能提升显著。

深度解读蛋白质结构，AI正在推动生命科学的进步。从AlphaFold3预测复合物结构，到新药开发、药物优化，AI提供更精确的预测，加速流程。针对蛋白质-DNA结合位点预测，南京农业大学团队开发了ULDNA，预测性能远超主流方法。糖类与蛋白质的相互作用是开发糖类药物的关键，中国科学院团队的DeepGlycanSite模型准确预测了糖结合位点，揭示了重要蛋白质的糖类调节机制。

蛋白质研究正迎来AI的革命，从预测结构到理解分子机制，AI为生命科学提供新的视角和工具。机器学习为科学家提供了更深入理解生命的手段，推动药物发现和治疗机制研究。随着技术的不断发展，AI在生物学领域的作用将愈发重要。