图形卷积神经网络在虚拟查中改善了cGAS和kRAS的特定目标评分功能

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:

• 传统的虚拟选方法通常依赖于有限的经验评分功能.
• 基于机器学习的特定目标评分功能显示了提高虚拟选准确性的前景.
• 外推性能是这些评分函数广泛适用的关键.

研究的目的:

• 使用分子图形和卷积神经网络,提高针对特定目标的评分函数的推断能力.
• 为了提高药物发现虚拟查的准确性和稳定性.
• 评估图形卷积网络的性能,以预测分子活动.

主要方法:

• 使用机器学习开发了针对特定目标的评分功能,包括图形卷积网络.
• 应用cGAS和kRAS蛋白质的严格数据选和特征提取.
• 构建并比较传统的机器学习和深度学习模型.

主要成果:

• 针对特定目标的评分功能明显优于通用功能.
• 图形卷积网络在预测分子活动方面表现出了显著的稳定性和准确性.
• 这些模型显示了对cGAS和kRAS目标的选效率和准确度的优越性.

结论:

• 可以将图形卷积网络推广为基于学习的分子-蛋白质结合模式来预测异质数据.
• 针对特定目标的评分功能,特别是那些使用图形卷积网络的功能,对于基于结构的虚拟选具有重大潜力.
• 这种方法提高了药物发现管道中的选效率和准确性.