CarsiDock:基于大规模的预训练,用于准确的蛋白质 - 连接体对接和选的深度学习范式
Heng Cai1, Chao Shen1,2, Tianye Jian1
1Hangzhou Carbonsilicon AI Technology Co., Ltd Hangzhou 310018 Zhejiang China songjianfei@carbonsilicon.ai dengyafeng@carbonsilicon.ai.
CarsiDock是一种新的深度学习模型,通过对数百万个复合体进行预训练,提高了蛋白质-连接体结合的姿势预测准确性. 这种方法可以提高对接准确度和虚拟选性能.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 结构生物信息学 结构生物信息学
背景情况:
- 深度学习模型越来越多地用于蛋白质 - 配体结合的姿势预测,旨在减少对计算密集型采样方法的依赖.
- 目前的深度学习方法在预测准确性和适用性方面存在局限性,部分原因是蛋白质 - 连接体复合体的训练数据不足.
研究的目的:
- 开发一种高度准确和广泛适用的深度学习引导的对接方法,用于蛋白质 - 配体结合的姿势预测.
- 通过创建和利用一个大规模的预测蛋白质 - 连接体复合物的数据集来解决数据稀缺问题,用于模型预训练.
主要方法:
- 创建一个大规模的数据集,包括大约900万预测的蛋白质-连接体对接综合体,用于预训练.
- 开发CarsiDock,这是一个两阶段的深度学习模型,涉及原子距离矩阵预测和几何优化,用于姿势重建.
- 实施创新的建筑设计和利用大型复杂数据集的预培训策略.
主要成果:
- 与基线方法相比,CarsiDock在各种对接场景中显著提高了对接准确度.
- 该模型在追溯虚拟选活动中表现出卓越的早期识别性能.
- CarsiDock成功地确保了预测的结合姿势的拓可靠性,并重现了在晶体结构中发现的关键相互作用.
结论:
- CarsiDock代表了深度学习引导的蛋白质 - 连接体对接的重大进步,提供了卓越的准确性和适用性.
- 在大量预测复杂的数据集上进行预训练的策略有效地克服了数据的局限性,并提高了模型的性能.
- 该模型能够保证姿势可靠性并捕捉关键相互作用,这使其成为药物发现和结构生物信息学研究的宝贵工具.
更多相关视频
10:33Development of Inhibitors of Protein-protein Interactions through REPLACE: Application to the Design and Development Non-ATP Competitive CDK Inhibitors
Published on: October 26, 2015
08:15Author Spotlight: Network Pharmacology and Molecular Docking to Decipher the Action of Jiawei Shengjiang San Against Diabetic Kidney Disease
Published on: May 10, 2024
相关概念视频
Ligand Binding Sites
Protein-ligand interactions are quite specific; even though numerous potential ligands surround a cellular protein at any given time, only a particular ligand can bind to that protein. Moreover, a ligand binds only to a dedicated area on the surface of the protein, known as the...
Protein-protein Interfaces
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...
Ligand Binding and Linkage
The Equilibrium Binding Constant and Binding Strength
