深度代理对接：用图神经网络加速自动化药物发现
机器学习
2022-11-08 v1
摘要
筛选具有期望性质的分子是若干应用（从药物发现到材料设计）中的关键步骤。尤其在药物发现过程中，蛋白-配体对接或化学对接是一种标准的计算机评分技术，用于估计分子与特定蛋白靶标的结合亲和力。然而近来，由于可测试的虚拟分子数量快速增长，这些经典对接算法造成了显著的计算瓶颈。我们通过引入深度代理对接（DSD）解决该问题，这是一个应用基于深度学习的代理建模以大幅加速对接过程的框架。DSD 可解释为若干早期代理预筛选技术的正式化，并增添了新颖的度量与实用训练实践。具体而言，我们展示图神经网络（GNN）可作为经典对接算法的快速且准确的估计器。此外，我们引入 FiLMv2，一种新颖的 GNN 架构，其通过让模型更高效地从数据中过滤无关信息，展现出优于现有最优 GNN 架构的性能，获得更准确且稳定的表现。通过广泛实验与分析，我们展示 DSD 工作流结合 FiLMv2 架构在示例对接任务上以 <3% 召回错误率实现 9.496 倍分子筛选加速。我们的开源代码见 https://github.com/ryienh/graph-dock。
引用
@article{arxiv.2211.02720,
title = {Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks},
author = {Ryien Hosseini and Filippo Simini and Austin Clyde and Arvind Ramanathan},
journal= {arXiv preprint arXiv:2211.02720},
year = {2022}
}
备注
Published as workshop paper at NeurIPS 2022 (AI for Science)