统计潜力模型能否比深度学习模型实现可比或更好的性能?

科学领域:

• 计算化学是一种计算化学.
• 结构生物学是结构生物学.
• 药物发现 药物发现

背景情况:

• 精确预测蛋白质 - 连接体相互作用对于基于结构的药物发现至关重要.
• 深度学习模型显示出希望,但传统的统计潜力未被充分探索,特别是有限的数据.

研究的目的:

• 系统地评估蛋白质 - 配体对接和虚拟选的统计潜在模型.
• 开发一种混合统计潜力模型,结合不同潜力类型的优势.

主要方法:

• 评估各种统计潜力模型,包括取决于距离的对式原子-原子和取决于方向的原子残余潜力.
• 开发和应用HybridSP,一个新的混合潜力集成多个术语.
• 在统计分布中进行偏差校正的亲和度加权方案.
• 根据CASF-2016,DUD-E和DUD-A基准进行验证.

主要成果:

• 通过取决于距离的对式原子-原子电位增强了对接性能.
• 虚拟选受益于取决于方向的原子残留潜力.
• 在CASF-2016上,HybridSP实现了91.6%的对接成功率和29.35的丰富系数,位居前1%的水平.
• 混合SP在DUD-E和DUD-A数据集上展示了强大的虚拟选能力.

结论:

• 精心设计的统计潜力可以在没有复杂的深度学习架构的情况下实现高性能和可解释性.
• 混合SP为药物发现中的评分函数设计提供了一种高效和有效的替代方案.
• 开发的模型为计算化学中的数据有限场景提供了可行的选择.