BigBind:从非结构性数据中学习基于结构的虚拟选
Michael Brocidiacono1, Paul Francoeur2, Rishal Aggarwal2
1Eshelman School of Pharmacy, University of North Carolina at Chapel Hill, Chapel Hill, North Carolina 27599, United States.
Journal of chemical information and modeling
|December 19, 2023
概括
一个新的数据集,BigBind,和一个深度学习模型,香,改善预测蛋白质-连接体结合的药物发现. 与现有方法相比,这种方法提高了虚拟查的效率和准确性.
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:
- 深度学习模型用于蛋白质 - 配体结合的预测对于基于结构的虚拟查至关重要.
- 由于数据集大小的限制,在PDBBind数据上训练的现有模型与一般化作斗争.
- 切姆布尔数据库提供了广泛的活动数据,但缺乏具有约束力的姿势信息.
研究的目的:
- 介绍BigBind,这是一个新的数据集,将ChEMBL活动数据映射到蛋白质结构中.
- 开发和评估使用BigBind分类活性/无活性化合物的神经网络模型Banana.
- 提高药物发现虚拟查的效率和准确性.
主要方法:
- 通过将ChEMBL活动数据与CrossDocked蛋白质结构 (包括583K连接体活动和3D结合口袋结构) 集成,创建BigBind数据集.
- 用同等数量的假定无活性化合物增加BigBind对每个标蛋白的增加.
- 开发香 (基本神经网络的结合亲和力) 模型,用于对联体活性的二元分类.
主要成果:
- 香在BigBind测试集中获得了0.72的AUC,超过了仅依靠连接体的模型 (AUC0.59).
- 香在LIT-PCBA基准指标上表现出竞争力 (中位数EF1% 1.81).
- 香的运行速度是Gnina分子对接的16000倍,显示出显著的计算效率.
结论:
- BigBind数据集为训练药物发现中的深度学习模型提供了宝贵的资源.
- 香模型显示了提高虚拟选的准确性和速度的承诺.
- 这些进展预计将大大提高未来虚拟选任务的结果.
