使用变压器进行基于序列的虚拟选
Shengyu Zhang1, Donghui Huo1,2, Robert I Horne1
1Centre for Misfolding Diseases, Yusuf Hamied Department of Chemistry, University of Cambridge, Cambridge, UK.
Nature communications
|July 28, 2025
概括
灵转换器 (Ligand-Transformer) 是一种深度学习方法,可以准确地预测蛋白质-灵结合亲和力和构造变化. 这种方法通过识别强效抑制剂和理解分子相互作用,有助于药物发现.
科学领域:
- 计算化学是一种计算化学.
- 分子生物学分子生物学
- 药物发现 药物发现
背景情况:
- 蛋白质-配体相互作用对于生物过程和药物设计至关重要.
- 深度学习为实验方法提供了一个具有成本效益的替代方案,用于识别候选药物.
研究的目的:
- 介绍Ligand-Transformer,这是一种新的深度学习方法,用于预测蛋白质-配体结合亲和力.
- 使用基于序列的方法来预测分子相互作用和结构变化.
主要方法:
- 开发了Ligand-Transformer,这是一个使用变压器架构的深度学习模型.
- 输入蛋白质氨基酸序列和小分子拓,以预测结合亲和力.
- 应用该模型来选EGFR抑制剂并分析ABL激酶抑制剂的影响.
主要成果:
- 鉴定出具有较低纳米分子功率的强效抑制剂,对突变EGFRLTC激酶.
- 成功预测了由ABL激酶抑制剂诱导的结构变化.
- 证明了联刚转换器能够预测结合亲和力和自由能量格局变化的能力.
结论:
- 连接物转换器准确地预测蛋白质和小分子相互作用,包括结合亲和力.
- 该方法促进了分子机制的发现,并加速了早期药物设计.
- 基于序列的预测使得在连接体结合时的形状变化可以进行表征.


