利用SE(3)不变_transformers、迁移学习和基于同源的增强提升卷积神经网络蛋白质结合位点预测能力
定量方法
2023-04-19 v2 机器学习
神经与进化计算
生物大分子
摘要
在口袋或残基分辨率下确定靶蛋白中的小分子结合位点，在许多虚拟和真实药物发现场景中至关重要。由于基于领域知识或传统方法并不总是容易找到此类结合位点，近年来已开发出不同的从蛋白质结构预测结合位点的深度学习方法。本文提出一种新的深度学习算法，在两种分辨率（口袋和残基）上均显著优于所有state-of-the-art基线。该良好性能也在涉及人血清白蛋白及其结合位点的案例研究中得到证明。我们的算法在模型架构和训练方法上均包含新思路。在模型架构方面，它结合了作用于残基级CNN输出之上的SE(3)-不变几何自注意力层。模型的残基级处理允许两种分辨率间的迁移学习，这显著改善了结合口袋预测。此外，我们开发了基于蛋白质同源性的新型增强方法，防止模型过拟合。总体而言，我们认为对文献的贡献有两点。首先，我们提供了一种与真实应用相关的结合位点预测新计算方法，如在不同基准和案例研究上的良好表现所示。其次，我们方法中的新思路——模型架构、迁移学习和同源性增强——将作为未来工作中有用的组件。
引用
@article{arxiv.2303.08818,
title = {Boosting Convolutional Neural Networks' Protein Binding Site Prediction Capacity Using SE(3)-invariant transformers, Transfer Learning and Homology-based Augmentation},
author = {Daeseok Lee and Jeunghyun Byun and Bonggun Shin},
journal= {arXiv preprint arXiv:2303.08818},
year = {2023}
}
备注
Updates in version 2: author order change (making it clear that Bonggun Shin is the corresponding author)