AANet：基于对齐与聚合的结构不确定性下的虚拟筛选
机器学习
2025-10-31 v2 生物大分子
摘要
虚拟筛选（VS）是现代药物发现中的关键环节，但大多数现有方法——无论是基于物理的还是基于深度学习的——都围绕已知配体结合口袋的完整蛋白结构进行开发。因此，这些方法在胶态或预测结构（如AlphaFold2预测的结构）上的性能会显著下降，这些结构更能代表实际早期药物发现的场景，其中常常缺少口袋信息。在本文中，我们引入一种对齐-聚合框架，以实现结构不确定性下的准确虚拟筛选。该方法包含两个核心组件：（1）一种三模态对比学习模块，对配体、完整口袋以及从结构中检测的空腔的表示进行对齐，从而增强对口袋定位误差的鲁棒性；（2）基于跨注意力的适配器，用于动态聚合候选结合位点，使模型能够即使没有精确的口袋注释，也能从活性数据中进行学习。我们在一个新构建的胶态结构基准上评估了该方法，在盲目胶态设置下显著优于当前最先进的方法，将早期富集因子（EF1%）从11.75提高到37.19。值得注意的是，该方法在完整结构上也保持了强大的性能。这些结果表明，我们的方法在推动首次类药物发现方面具有潜力，特别是在缺乏实验解析蛋白-配体复合物的场景中。我们的实现已公开发布于 https://github.com/Wiley-Z/AANet。
引用
@article{arxiv.2506.05768,
title = {AANet: Virtual Screening under Structural Uncertainty via Alignment and Aggregation},
author = {Wenyu Zhu and Jianhui Wang and Bowen Gao and Yinjun Jia and Haichuan Tan and Ya-Qin Zhang and Wei-Ying Ma and Yanyan Lan},
journal= {arXiv preprint arXiv:2506.05768},
year = {2025}
}
备注
Accepted at NeurIPS 2025