深度学习在蛋白-配体对接中的潜力评估
摘要
配体与蛋白质结构相互作用及其体内功能对现代医学研究和生物技术开发（如药物发现）具有诸多意义。尽管近期已引入若干深度学习（DL）方法和基准测试用于蛋白-配体对接，但迄今为止尚无研究系统性地研究最新对接和结构预测方法在广泛适用的上下文（即（1）使用预测（apo）蛋白质结构进行对接（例如用于新蛋白质的适用性）；（2）同时将多个（辅因子）配体结合到给定目标蛋白质上（例如用于酶设计）；（3）无需事先知道结合口袋（例如用于对未知口袋的泛化））中的行为。为深入理解对接方法的实际效用，我们引入PoseBench——首个面向广泛应用的综合性蛋白-配体对接基准测试。PoseBench使研究人员能够严格且系统地评估DL方法进行apo到holo蛋白-配体对接和蛋白-配体结构预测，使用主要配体和多配体基准数据集（其中我们首次引入），后者为DL社区提供。实证研究表明，使用PoseBench，我们发现（1）DL共折叠方法通常优于相当于的传统和DL对接基准算法，尽管像AlphaFold 3这样的流行方法仍在预测具有新结合位点的目标方面受到挑战；（2）某些DL共折叠方法对其输入的多序列对齐高度敏感，而另一些则不然；（3）DL方法在预测新型或多配体蛋白质目标时，难以在结构准确性和化学特异性之间取得平衡。代码、数据、教程和基准结果已在https://github.com/BioinfoMachineLearning/PoseBench获取。
引用
@article{arxiv.2405.14108,
title = {Assessing the potential of deep learning for protein-ligand docking},
author = {Alex Morehead and Nabin Giri and Jian Liu and Pawan Neupane and Jianlin Cheng},
journal= {arXiv preprint arXiv:2405.14108},
year = {2026}
}
备注
55 pages, 2 tables, 37 figures. Results updated (in v1.1.0) after addressing primary-ligand scoring bug (in v1.0.0). Code, data, tutorials, and benchmark results are available at https://github.com/BioinfoMachineLearning/PoseBench