DEL-Ranking：用于揭示DNA 编码图书馆分子亲和力的排序-校正去噪框架
机器学习
2024-12-05 v2 人工智能
生物大分子
摘要
DNA 编码图书馆（DNA-Encoded Library, DEL）筛选通过读数计数 revolutionized了蛋白-配体相互作用的检测，使其能够快速探索庞大的化学空间。然而，来自非特异性相互作用的读数计数噪声会误导这一探索过程。我们提出了 DEL-Ranking，一个新的分布校正去噪框架，用于解决这些挑战。我们的 метод 引入了两个关键创新：（1）一种新的排序损失，用于校正读数计数之间的相对大小关系，从而 enables 学习决定活性水平的因果特征；（2）一种迭代算法，采用自训练和一致性损失来建立活性标签与读数计数预测之间的模型一致性。此外，我们贡献了三个新的 DEL 筛选数据集，首次全面包含多维分子表征、蛋白-配体富集值以及其活性标签。这些数据集缓解了AI驱动的 DEL 筛选研究中的数据稀缺问题。对多组 diverse DEL 数据集进行严格评估表明，DEL-Ranking 在多个相关性指标上表现优异，在结合亲和力预测准确性方面取得显著提高。我们的模型展现了在不同蛋白靶点之间实现零样本泛化的能力，并成功识别了决定化合物结合亲和力的潜在构象。该工作推进了 DEL 筛选分析，为该领域的未来研究提供了宝贵资源。
引用
@article{arxiv.2410.14946,
title = {DEL-Ranking: Ranking-Correction Denoising Framework for Elucidating Molecular Affinities in DNA-Encoded Libraries},
author = {Hanqun Cao and Mutian He and Ning Ma and Chang-yu Hsieh and Chunbin Gu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2410.14946},
year = {2024}
}