深度学习模型用于快速确定平衡解离常数,使用生物层干扰测量传感器图
Yuhao Wang1,2, Han Chen3, Jiadong Feng1
1School of Pharmacy, Naval Medical University, Shanghai 200433, China.
Analytical chemistry
|November 21, 2025
概括
这项研究将深度学习与生物层干涉测量 (BLI) 集成在一起,从单个传感器图表中预测生物分子结合亲和力 (Kd). 这种人工智能方法可以快速分析,即使多重度测试是不可行的.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 生物层干扰测量 (BLI) 对于检测生物分子相互作用至关重要.
- 准确预测平衡解离常数 (Kd) 对于理解结合动力学至关重要.
- 目前的方法可能需要广泛的实验条件,限制快速分析.
研究的目的:
- 开发一种深度学习模型,使用BLI传感器图表快速预测Kd值.
- 通过SE和CBA模块集成和微调来提高模型准确性和概括性.
- 创建BLI曲线的综合数据集,以提供强大的模型培训和验证.
主要方法:
- 一个卷积神经网络 (CNN) 模型被用于Kd预测.
- 使用YOLOv5,从文献中自动提取3812个BLI曲线.
- 编制了5640个传感器图的数据集,包括实验室生成的 (湿) 和GAN生成的 (干) 数据.
主要成果:
- 优化的深度学习模型在使用湿数据预测Kd值时实现了60%的准确性.
- 该模型成功地从单度BLI传感器图中预测了Kd.
- 这种方法为快速的生物分子相互作用分析提供了可行的替代方案.
结论:
- 深度学习与BLI融合,为预测生物分子结合亲和力提供了强大的工具.
- 开发的模型能够有效地预测Kd,特别是在资源有限的场景中.
- 未来使用更大的数据集的工作将进一步提高预测准确性和模型稳定性.
