Rumah >Peranti teknologi >AI >'Pengetahuan sedia ada AI+fizik', Universiti Zhejiang dan Akademi Sains China kaedah pemarkahan interaksi protein-ligan am yang diterbitkan dalam sub-jurnal Alam
Editor | Para saintis telah mencari cara yang cekap untuk meramalkan kesesuaian antara "kunci" dan "kunci" atau interaksi protein-ligan ini.
Walau bagaimanapun, kaedah tradisional yang dipacu oleh data sering jatuh ke dalam "pembelajaran hafalan", menghafal data latihan ligan dan protein dan bukannya benar-benar mempelajari interaksi antara mereka.
Baru-baru ini, pasukan penyelidik dari Universiti Zhejiang dan Akademi Sains China mencadangkan kaedah pemarkahan baharu yang dipanggil EquiScore, yang menggunakan rangkaian neural graf heterogen untuk menyepadukan pengetahuan sedia ada fizikal dan mencirikan interaksi protein-ligan dalam ruang transformasi persamaan .
EquiScore dilatih pada set data baharu yang dibina menggunakan pelbagai strategi penambahan data dan skim penghapusan lebihan yang ketat.
Pada dua set ujian luaran yang besar, EquiScore mula menonjol berbanding 21 kaedah lain. Apabila EquiScore digunakan dengan kaedah dok yang berbeza, ia boleh meningkatkan keupayaan penyaringan kaedah dok ini dengan berkesan. EquiScore juga menunjukkan prestasi yang baik dalam tugas menafkahkan aktiviti siri bahan yang serupa dari segi struktur, menunjukkan potensinya untuk membimbing pengoptimuman kompaun plumbum.
Akhirnya, tahap kebolehtafsiran berbeza EquiScore telah dikaji, yang mungkin memberikan lebih banyak cerapan untuk reka bentuk ubat berasaskan struktur.
Kajian itu bertajuk "
Pemarkahan interaksi protein–ligan generik dengan menyepadukan pengetahuan sedia ada fizikal dan pemodelan penambahan data" dan telah diterbitkan dalam "Nature Machine Intelligence" pada 6 Jun 2024.
Pautan kertas:
https://www.nature.com/articles/s42256-024-00849-zSeni bina EquiScore
Ilustrasi: Saluran paip untuk membina set data skrin PDB. (Sumber: kertas)
EquiScore ialah model klasifikasi binari yang menilai potensi pengikatan antara protein dan ligan dengan memasukkan peta isomorfik yang dibina daripada kawasan poket protein dan ligan.Estruktur) diwujudkan antara nod.
Para penyelidik juga menambah kelas tepi berdasarkan komponen interaksi protein-ligan empirikal (IFP) yang dikira ProLIF kepada Estruktur untuk memasukkan pengetahuan fizikal priori tentang interaksi antara molekul. Dalam langkah kedua, lapisan benam digunakan untuk mendapatkan perwakilan terpendam bagi setiap jenis tepi dan nod pada graf heterogen. Skim ini boleh memperkenalkan nod dan tepi baharu yang lain dengan makna fizikal yang jelas, dan boleh disepadukan dengan lancar dengan modul pembelajaran perwakilan seterusnya.
Untuk menggunakan sepenuhnya bias induktif maklumat daripada nod dan tepi yang berbeza sambil memastikan varians model yang sama, lapisan EquiScore terdiri daripada tiga sub-modul: modul perhatian sedar maklumat, modul kemas kini nod dan modul kemas kini tepi.
Modul perhatian sedar maklumat boleh mentafsir interaksi daripada maklumat yang berbeza, termasuk (1) maklumat geometri setara, (2) maklumat struktur kimia, dan (3) komponen interaksi empirikal protein-ligan.
Para penyelidik menilai prestasi model EquiScore yang dihasilkan.
Dalam senario saringan maya (VS), EquiScore secara konsisten mencapai kedudukan teratas berbanding 21 kaedah pemarkahan sedia ada untuk protein yang tidak kelihatan pada dua set data luaran, DEKOIS2.0 dan DUD-E.
Dalam senario pengoptimuman utama, EquiScore hanya menunjukkan keupayaan ranking yang lebih rendah berbanding FEP+ antara lapan kaedah berbeza. Memandangkan pengiraan FEP+ memerlukan kos pengiraan yang jauh lebih tinggi, EquiScore menunjukkan kelebihan yang lebih seimbang antara kelajuan dan ketepatan.
Tambahan pula, didapati bahawa EquiScore mempamerkan keupayaan penjaringan yang kukuh apabila digunakan pada pose yang dijana oleh kaedah dok yang berbeza, dan menggunakan pengiraan EquiScore boleh meningkatkan prestasi VS untuk semua kaedah penilaian.
Akhirnya, penyelidik menganalisis kebolehtafsiran model dan mendapati model itu boleh menangkap interaksi antara molekul utama, membuktikan rasionaliti model dan memberikan petunjuk berguna untuk reka bentuk ubat rasional.
Ramalan teguh interaksi protein-ligan akan memberikan peluang berharga untuk memahami biologi protein dan menentukan kesannya terhadap terapi ubat masa depan. EquiScore akan menyumbang kepada pemahaman yang lebih baik tentang kesihatan dan penyakit manusia serta memudahkan penemuan ubat baharu.
Atas ialah kandungan terperinci 'Pengetahuan sedia ada AI+fizik', Universiti Zhejiang dan Akademi Sains China kaedah pemarkahan interaksi protein-ligan am yang diterbitkan dalam sub-jurnal Alam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!