一个基于物理学的图形神经网络,以近似对接为基础的对DYRK2的结合亲和力在阿尔茨海默氏症药物重定位中

科学领域:

• 计算化学的计算化学
• 人工智能在药物发现中的作用
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默病 (AD) 需要新的治疗点和高效的查方法.
• 传统的分子对接用于虚拟选是计算密集的.
• 在阿尔茨海默病中,DYRK2是一个研究不足但生物相关的点.

研究的目的:

• 介绍PhysDual-GCN,一个基于物理学的图形神经网络 (GNN),用于近似结合亲和度得分.
• 作为传统分子对接的计算效率高的替代品.
• 为阿尔茨海默病研究中的DYRK2相互作用评分提供一种生物学上有意义和可解释的工具.

主要方法:

• 开发了PhysDual-GCN,这是一个集成联体分子图和基于DYRK2序列的图的GNN.
• 纳入库伦和莱纳德-斯相互作用术语作为分析物理能量组件.
• 通过使用既有工具 (AutoDock Vina, Smina, QVina, CB-DOCK) 获得的对接得分来训练和评估模型.

主要成果:

• 与参考对接得分相比,实现了较低的绝对误差 (MAE = 0.31 kcal/mol,RMSE = 0.44 kcal/mol).
• 成功识别了多尼佩西尔 (-10.8 kcal/mol) 和布雷克斯皮普拉 (-10.0 kcal/mol) 等强有力的结合剂.
• 证明了与计算引用的一致性,尽管由于小的配体组 (FDA批准的4种AD药物) 的限制.

结论:

• 将物理交互术语集成到GNN中可以提高药物发现的解释性和计算效率.
• PhysDual-GCN为针对DYRK2.2.的经典对接工作流提供了一个可行的,可解释的近似方法.
• 这种方法为未来的大规模,经过实验验证的阿尔茨海默病药物重定向研究奠定了基础.