AI-Bind：改进针对新颖蛋白质靶标与配体的结合预测
定量方法
2022-11-10 v5 机器学习
摘要
识别新颖的药物-靶标相互作用（DTI）是药物发现中关键且限速的步骤。尽管已有深度学习模型被提出以加速识别过程，我们表明最先进（state-of-the-art）模型无法泛化到新颖（即前所未见）的结构。我们首先揭示了导致此缺陷的机制，证明模型如何依赖利用蛋白质-配体二部网络拓扑的捷径，而非学习节点特征。随后，我们引入 AI-Bind，一种将基于网络的采样策略与无监督预训练相结合的流程，使我们能够限制标注不平衡并改进针对新颖蛋白质与配体的结合预测。我们通过预测与 SARS-CoV-2 病毒蛋白及相关人类蛋白具有结合亲和力的药物与天然化合物来说明 AI-Bind 的价值。我们还通过对接模拟和与近期实验证据的比较验证了这些预测，并通过在氨基酸序列上识别潜在活性结合位点，推进了机器学习蛋白质-配体结合预测的可解释性。总体而言，AI-Bind 提供了一种强大的高通量方法来识别药物-靶标组合，有望成为药物发现中的有力工具。
引用
@article{arxiv.2112.13168,
title = {AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands},
author = {Ayan Chatterjee and Robin Walters and Zohair Shafi and Omair Shafi Ahmed and Michael Sebek and Deisy Gysi and Rose Yu and Tina Eliassi-Rad and Albert-László Barabási and Giulia Menichetti},
journal= {arXiv preprint arXiv:2112.13168},
year = {2022}
}
备注
83 pages, 26 figures, all references moved to a single section, new results added on AI interpretability, added comparison with MolTrans, added validation using gold standard experimental data