可概括的化合物蛋白相互作用预测,采用包含蛋白质结构意识和化合物特性意识的模型语言模型表示
Yiming Zhang1, Ryuichiro Ishitani2,3,4, Mizuki Takemoto4
1Department of Information and Communications Engineering, School of Engineering, Institute of Science, Tokyo, Yokohama, Kanagawa, Japan.
GenSPARC增强了用于药物发现的化合物-蛋白质相互作用预测. 这种人工智能模型使用结构感知蛋白质和化学语言模型来提高识别分子结合亲缘关系的准确性和概括性.
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.
- 人工智能在药物发现中的作用
背景情况:
- 化合物-蛋白相互作用 (CPI) 预测对于药物发现至关重要,但目前的深度学习模型由于依赖序列数据和不足的标记数据集而面临限制.
- 这些局限性阻碍了现有模型在识别小分子和蛋白质之间的结合亲和关系时的准确性和广泛适用性.
研究的目的:
- 开发一种新的深度学习模型,GenSPARC,以实现更准确和更普遍的CPI预测.
- 克服当前基于序列的深度学习方法的数据稀缺性和表示限制.
主要方法:
- GenSPARC集成了来自AlphaFold2预测和FoldSeek的3D交互字母表的结构感知蛋白质表示.
- 使用图形卷积网络和预训练的化学语言模型来提取复合特征,用于多模式表示.
- 使用注意力机制来捕捉复杂的结合模式并增强交互建模.
主要成果:
- 在各种CPI基准数据集中,GenSPARC表现出强大的概括性,包括具有挑战性的数据分割.
- 该模型在虚拟查任务中取得了竞争性表现,表明其在实际药物发现应用中的有效性.
- 验证证实了该模型能够准确预测绑定亲和关系和相互作用的能力.
结论:
- 通过提高CPI预测准确性和通用性,GenSPARC代表了人工智能驱动药物发现的重大进步.
- 该模型的多式联络方法,利用结构和化学信息,解决了以前方法的关键局限性.
- 通过提高对分子相互作用的理解,GenSPARC准备加速识别潜在的候选药物.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
07:08Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues
Published on: July 14, 2015
相关概念视频
Protein-protein Interfaces
Protein-Protein Interfaces
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Protein Networks
Protein Organization
The primary structure of a protein is its amino acid sequence....
Conserved Binding Sites
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
