曾堅陽研究組發(fā)現蛋白質-小分子間局部共價相互作用和結合強度的深度學習模型
曾堅陽研究組發(fā)現蛋白質-小分子間局部共價相互作用和結合強度的深度學習模型
2020年04月23日 瀏覽次數: 0
近日，交叉信息院曾堅陽研究組發(fā)現蛋白質-小分子間局部共價相互作用和結合強度的深度學習模型，該成果論文“MONN: a multi-objective neural network for predicting compound-protein interactions and affinities”發(fā)表于Cell Systems期刊，同時被計算分子生物學研究國際會議接收（RECOMB, 2020）。
蛋白質-小分子相互作用（CPI）是藥物研發(fā)過程中的關鍵問題，準確預測這一相互作用有助于提高藥物研發(fā)的效率。雖然近年來有一些深度學習算法應用在這一領域的工作，但是這些神經網絡模型的可解釋性仍然比較局限，僅能在少數案例上通過注意力機制分析分子間的結合位點。曾堅陽研究組首次整理了一個大規(guī)模數據集來驗證現有CPI預測模型的可解釋性，并發(fā)現現有的基于神經網絡的注意力機制模型很難自動捕獲蛋白質和小分子之間形成的非共價鍵。
基于上述發(fā)現，曾堅陽研究組重新定義了CPI預測的機器學習問題，將預測分子間非共價鍵和預測親和力這兩個任務結合起來，開發(fā)了一個多目標神經網絡模型，同時預測蛋白質-小分子間形成的局部非共價鍵和親和力。前者是揭示CPI作用機制的重要線索，而后者是虛擬高通量藥物分子篩選的重要指標。分子間形成的非共價鍵會影響其相互作用強度，因此本研究猜測引入這一信息能夠更好地幫助親和力預測，而計算實驗也證明了這一假設。測試表明，這一模型在兩個任務上均能實現準確的預測，效果優(yōu)于現有的機器學習模型。在沒有可利用的結構信息來支持非共價鍵預測的大規(guī)模虛擬篩選數據集上，模型也能夠成功獲得優(yōu)于其他算法的預測效果。除此之外，模型還能夠自動捕獲分子間相互作用的化學規(guī)則。
?
該成果論文共同第一作者為交叉信息院博士生萬方平和碩士生李舒雅，通訊作者為交叉信息院曾堅陽副教授和趙誕助理研究員。本研究得到了國家自然科學基金、南京圖靈人工智能研究院和中關村海華前沿信息技術研究院支持。
論文原文鏈接：https://www.sciencedirect.com/science/article/pii/S2405471220300818
版權與免責聲明：本網頁的內容由收集互聯網上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點或證實其真實性，也不構成其他建議。僅提供交流平臺，不為其版權負責。如涉及侵權，請聯系我們及時修改或刪除。郵箱：sales@allpeptide.com