缩放结构意识到虚拟选到数十亿个分子与SPRINT
Andrew T McNutt1, Abhinav K Adduri2, Caleb N Ellington2
1Computational and Systems Biology, University of Pittsburgh, Pittsburgh, PA, USA.
ArXiv
|February 20, 2025
概括
通过使用蛋白质语言模型 (PLM) 学习药物向相互作用,SPRINT可实现超快速,全蛋白质组的虚拟查,用于药物发现. 这种方法加速了前所未有的新药候选药物和作用机制的识别.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 虚拟查通过预测药物向相互作用 (DTI) 来加速药物发现.
- 基于结构的方法,如分子对接,对于蛋白质组规模选而言,计算成本昂贵.
- 使用蛋白质语言模型 (PLM) 的基于矢量方法通过绕过3D结构建模提供了更快的替代方案.
研究的目的:
- 开发SPRINT,一种基于向量的新方法,用于大规模的DTI虚拟选和确定新的行动机制.
- 通过结合自我注意力和结构意识模型来改进现有的基于PLM的方法,以加强药物标的共同嵌入.
主要方法:
- 开发了SPRINT,一种基于自我注意的架构,利用结构意识的PLM来创建药物和蛋白质目标的共同嵌入空间.
- 在大型化学库和蛋白质组中使用SPRINT进行高效的绑定器预测,搜索和检索.
- 在DTI分类,具有约束力的亲和力预测基准和LIT-PCBA数据集上评估SPRINT.
主要成果:
- 在虚拟选任务中,SPRINT实现了最先进的 (SOTA) 丰富因素.
- 通过残留水平注意力地图证明了高准确性和可解释性.
- 实现了超快的性能,在16分钟内对人类蛋白质组选67亿种药物.
结论:
- 在前所未有的规模上,SPRINT可以实现准确,可解释和超快的虚拟选.
- 该方法通过识别潜在的DTI和新机制,促进了药物重新使用和开发.
- 通过网络可以访问SPRINT的 ColabScreen.
