拉姆网 (LamNet):一种高化学路径感知图形神经网络,用于加快用于药物发现和超越药物发现的有约束力的自由能量计算
Renling Hu1,2,3,4, Jialu Wu1,4, Qun Su1,4
1College of Pharmaceutical Sciences, Department of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, China.
一个新的图形神经网络LamNet比传统方法更快地准确地预测蛋白质-连接体结合的自由能量. 这种基于物理学的工具通过优化化学自由能量方法 (AFEMs) 来加速药物发现.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习是机器学习.
背景情况:
- 准确预测蛋白质 - 配体结合的自由能量对于药物发现至关重要,但计算密集.
- 传统的化学自由能量方法 (AFEM) 准确,但速度慢且复杂.
- 目前的深度学习 (DL) 模型缺乏通用性,需要大量的数据集.
研究的目的:
- 开发一种新的深度学习模型,LamNet,用于准确和高效地预测结合的自由能量.
- 将物理信息表示和化学路径信息集成到图形神经网络中.
- 通过改进AFEM和降低计算成本,加速药物发现工作流程.
主要方法:
- 开发了LamNet,一个炼金术路径感知图形神经网络.
- 将终点分子状态和化学路径 (λ) 整合到基于物理学的框架中.
- 经过分子动力学数据与可靠性指标的训练,预测相对和绝对结合的自由能量.
主要成果:
- 在不同的数据集 (463个配体,16个蛋白质) 上,LamNet实现了优于或与最先进的方法相提并论的性能.
- 与传统的AFEM相比,证明了高达1000倍的加速.
- 成功优化了 λ 时间表,以改善 AFEM 融合.
结论:
- 拉姆网是一个可推广的,基于物理的,具有成本效益的工具,用于预测结合的自由能量.
- 为将计算物理纳入DL驱动的药物发现提供了一个新的框架.
- 显著加速计算,提高药物发现管道的效率.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
05:30Soft Pneumatic Robot Modulates Graph Theory Metrics of Brain Network for Hand Rehabilitation After Stroke
Published on: October 10, 2025
相关概念视频
Calculating Standard Free Energy Changes
Nuclear Binding Energy
Drug Discovery: Overview
Self-Awareness and Its Effects
The Equilibrium Binding Constant and Binding Strength
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,...
