采用分子构造用于以等效图形神经网络和深度多实例学习的基于基的虚拟选
Yaowen Gu1,2, Jiao Li1, Hongyu Kang1,3
1Institute of Medical Information (IMI), Chinese Academy of Medical Sciences and Peking Union Medical College (CAMS & PUMC), Beijing 100020, China.
这项研究引入了一种新的深度学习方法,EquiVS,用于基于联体的虚拟选 (LBVS),该方法包含3D分子构造. 通过使用新的基准数据集和先进的神经网络架构,EquiVS通过准确预测分子生物活性来改善药物发现.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 基于连接体的虚拟查 (LBVS) 对于早期药物发现至关重要.
- 当前的深度学习LBVS方法经常忽视3D分子构造,这显著影响生物活性.
- 缺乏全面的生物活性基准数据集阻碍了深度学习模型的开发.
研究的目的:
- 为LBVS开发一种新的深度学习框架,利用3D分子对应器.
- 为培训和验证创建一个大规模的生物活性基准数据集.
- 提高在药物发现中虚拟查的准确性和效率.
主要方法:
- 从公开的生物活性数据中提取分子对应物,以构建一个基准数据集 (数百万个终点,954个目标).
- 开发EquiVS,一个使用图形卷积网络 (GCN) 和等价图形神经网络 (EGNN) 的深度学习架构.
- 基于注意力的深度多实例学习 (MIL) 的应用,用于从聚合的分子表示来预测生物活性.
主要成果:
- 构建的基准数据集显示出高质量和实用性.
- 在性能方面,EquiVS超过了10种传统和基于深度学习的LBVS方法.
- 除研究证实了分子构造的重要性和EquiVS架构的有效性.
结论:
- 开发的基准数据集和EquiVS方法显示了虚拟选应用的重大前景.
- 纳入3D分子构造对于准确的生物活性预测至关重要.
- EquiVS提供了一种强大的工具,用于识别潜在的候选药物,并发现最佳的符合性药物.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Ligand Binding Sites
Ligand Binding and Linkage
Predicting Molecular Geometry
Conserved Binding Sites
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
Molecular Models
Newman Projections
The organic molecules rotate across the single bonds leading to numerous temporary three-dimensional structures of varying energy known as...
