GEMF:一个新的几何增强的中融合网络用于PLA预测
Guoqiang Zhou1, Yuke Qin1, Qiansen Hong1
1School of Computer Science, Nanjing University of Posts and Telecommunications, No.9 Wenyuan Road, Jiangsu 210023, China.
Briefings in bioinformatics
|July 9, 2024
概括
我们介绍了GEMF,一个新的图形神经网络,通过结合分子几何学,准确地预测蛋白质-连接体结合亲和力. 这种方法通过更好地代表药物发现的复杂相互作用来改进现有模型.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 在生物信息学中的机器学习.
背景情况:
- 准确预测蛋白质 - 配体结合亲和力 (PLA) 对于有效的药物发现至关重要.
- 图形神经网络 (GNN) 对 PLA 预测有前途,但往往忽略了关键的几何信息,如键角.
- 现有的GNN正在努力充分表现蛋白质和连接体之间的复杂结合过程.
研究的目的:
- 开发一个新的几何增强网络,GEMF,用于全面的分子几何和相互作用模式学习.
- 通过整合几何性质和改善蛋白质 - 连接体复合体的表现来解决现有的GNN的局限性.
- 为了提高蛋白质 - 配体结合亲和力预测的准确性.
主要方法:
- 提出了几何增强中融合 (GEMF) 网络,结合了图形嵌入层,消息传递和多尺度融合.
- 用物理化学和几何性质的图形表示蛋白质-连接体复合体.
- 采用双流消息传递框架来建模共价和非共价相互作用,并使用边缘更新机制使用线图来融合距离和角度信息.
主要成果:
- GEMF有效地学习了全面的分子几何学和相互作用模式.
- 双流信息传递和多尺度融合使得共价,非共价和异质相互作用的详细建模成为可能.
- 在基准数据集上进行了广泛的实验,证明了GEMF在PLA预测中比最先进的方法表现优越.
结论:
- 通过整合分子几何学,GEMF显著推进了蛋白质 - 配体结合亲和力预测.
- 拟议的网络架构提供了更强大的蛋白质 - 连接体复合体及其相互作用的表征.
- GEMF为加速药物发现研究提供了一个强大的新工具.
