利用并行图神经网络解码蛋白质-配体相互作用
机器学习
2021-12-01 v1 机器学习
生物大分子
定量方法
摘要
蛋白质-配体相互作用（PLIs）是生化研究的基础，其识别对于估算理性治疗设计中的生物物理和生化性质至关重要。目前，这些性质的实验表征是最准确的方法，但这非常耗时且费力。为此已开发了许多计算方法，但大多数现有的 PLI 预测严重依赖于 2D 蛋白质序列数据。在此，我们提出一种新颖的并行图神经网络（GNN）来整合知识表示与推理以进行 PLI 预测，实现由专家知识引导并依据 3D 结构数据进行的深度学习。我们开发了两种不同的 GNN 架构：GNNF 是采用不同特征化以增强领域感知的基础实现，而 GNNP 是一种无需分子间相互作用先验知识即可预测的新颖实现。综合评估表明，GNN 能成功捕获配体与蛋白质 3D 结构之间的二元相互作用，GNNF 和 GNNP 预测蛋白质-配体复合物活性的测试准确率分别为 0.979 和 0.958。这些模型进一步适用于回归任务以预测实验结合亲和力和 pIC50（其对药物效力和疗效至关重要）。我们在实验亲和力上分别取得 0.66 和 0.65 的 Pearson 相关系数，在 pIC50 上取得 0.50 和 0.51（GNNF 和 GNNP），优于类似的基于 2D 序列的模型。我们的方法可作为一种可解释的人工智能（AI）工具，用于预测先导候选物的活性、效力和生物物理性质。为此，我们通过筛选大型化合物库并将预测与实验测量数据比较，展示了 GNNP 在 SARS-Cov-2 蛋白质靶点上的效用。
引用
@article{arxiv.2111.15144,
title = {Decoding the Protein-ligand Interactions Using Parallel Graph Neural Networks},
author = {Carter Knutson and Mridula Bontha and Jenna A. Bilbrey and Neeraj Kumar},
journal= {arXiv preprint arXiv:2111.15144},
year = {2021}
}