图_RG:主导CASP16的小分子亲和力预测子类别-A为数十亿级虚拟查提供无姿势框架

科学领域:

• 计算化学和化学信息学
• 人工智能在药物发现中的作用
• 生物医学数据科学是生物医学数据科学.

背景情况:

• 在药物开发的早期阶段,预测蛋白质-连接体相互作用至关重要,包括虚拟查和目标识别.
• 现有的方法通常依赖于复杂的构造性搜索,限制了它们的可扩展性和效率.
• 开发准确且计算效率高的模型对于加速药物发现管道至关重要.

研究的目的:

• 为了介绍Graph_RG,一个高性能模型,用于蛋白质 - 配体亲和力预测.
• 与现有方法相比,证明 Graph_RG 的计算效率和可扩展性.
• 探索 Graph_RG 在药物发现中的潜在改进和更广泛的应用.

主要方法:

• 开发和应用Graph_RG模型来预测蛋白质 - 配体亲和力.
• 在CASP16小分子轨道上的性能评估.
• 基准计算效率与依赖于构造搜索的方法进行比较.

主要成果:

• Graph_RG在CASP16蛋白 - 配体亲和力预测类别中取得了最高的表现,其N加权肯德尔的Tau为0.42.
• 该模型表现出卓越的计算效率,运行速度比传统方法快10万倍以上.
• 在标准服务器上启用大规模的虚拟选 (数十亿至100亿个化合物).

结论:

• Graph_RG提供了一个高度准确和计算效率高的解决方案,用于蛋白质 - 配体相互作用的预测.
• 该模型的速度和可扩展性促进了大规模的药物查和目标识别.
• 未来的工作包括模型优化和开发可访问的网络平台,以将AI整合到实际的药物发现中.