简明评估分子表面互补性增强神经网络辅助预测关键结合残基的能力
生物大分子
2025-08-19 v1
摘要
预测生物分子之间的相互作用，如蛋白质-蛋白质复合物，仍是一个具有挑战性的问题。尽管迄今为止取得了许多进展，但对接协议的性能深刻依赖于其识别结合区域的能力。在此背景下，我们提出了一种新方法，建立在我们之前的工作基础上，通过正交多项式组对蛋白质表面片段进行建模，以识别形状/静电势互补性高的区域。通过纳入另一关键结合属性——亲水性和疏水性贡献之间的平衡，我们定义新的结合矩阵，作为训练神经网络的有效输入。我们的 метод也允许对典型结合位区域进行量化定义——约为10Å半径——在此区域内，疏水性贡献和形状互补性（反映 Lennard-Jones 相互作用）被最大化。使用这个新架构，我们开发了 CIRNet（Core Interacting Residues Network），在平衡数据集上实现约0.82的准确率，用于识别核心结合残基的配对。在盲搜索核心结合残基时，CIRNet 能将其与伪体区分，ROC AUC 为0.72。该协议可通过重新缩放所提出的构象来增强对接算法。当应用在三个流行对接服务器的前十个模型中时，CIRNet 改善了对接结果，将经校准的构象与本源态之间的平均 RMSD 降低最高可达58%。
引用
@article{arxiv.2407.20992,
title = {Compact assessment of molecular surface complementarities enhances neural network-aided prediction of key binding residues},
author = {Greta Grassmann and Lorenzo Di Rienzo and Giancarlo Ruocco and Mattia Miotto and Edoardo Milanetti},
journal= {arXiv preprint arXiv:2407.20992},
year = {2025}
}
备注
15 pages, 5 figures, 1 table