Dockformer：一种基于Transformer的分子对接范式，用于大规模虚拟筛选
机器学习
2024-12-06 v4 人工智能
摘要
分子对接是药物开发中的关键步骤，它使得对化合物库进行虚拟筛选以识别靶向目标蛋白质的潜在配体成为可能。然而，传统对接模型的计算复杂度随着化合物库规模的增加而增加。最近，深度学习算法可以提供数据驱动的研究与开发模型，以加快对接过程。不幸的是，很少有模型能够达到优于传统模型的筛选性能。因此，本研究提出了一种名为Dockformer的新型基于深度学习的对接方法。Dockformer利用多模态信息来捕获分子的几何拓扑和结构知识，并能够以端到端的方式直接生成结合构象及其对应的置信度度量。实验结果表明，Dockformer在PDBbind核心集和PoseBusters基准测试上的成功率分别为90.53%和82.71%，并且推理过程速度提升了超过100倍，优于几乎所有最先进的对接方法。此外，Dockformer在真实世界的虚拟筛选场景中展示了其识别冠状病毒主要蛋白酶抑制剂的能力。考虑到其高对接精度和筛选效率，Dockformer可被视为药物设计领域中强大且稳健的工具。
引用
@article{arxiv.2411.06740,
title = {Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening},
author = {Zhangfan Yang and Junkai Ji and Shan He and Jianqiang Li and Tiantian He and Ruibin Bai and Zexuan Zhu and Yew Soon Ong},
journal= {arXiv preprint arXiv:2411.06740},
year = {2024}
}
备注
15 pages, 10 figures