DrugCLIP：面向虚拟筛选的对比式蛋白质-分子表征学习
机器学习
2023-10-11 v1
摘要
虚拟筛选从海量化合物数据库中识别可与特定蛋白质口袋结合的潜在药物，是 AI 辅助药物发现的关键步骤。传统对接方法耗时极高，实际应用中仅能处理受限搜索库。近期使用结合亲和力预测打分函数的监督学习方法虽有前景，但因严重依赖带可靠结合亲和力标签的有限数据，尚未超越对接方法。本文提出一种新颖对比学习框架 DrugCLIP，将虚拟筛选重构为稠密检索任务，并利用对比学习从大量无显式结合亲和力分数的配对数据中对齐结合蛋白质口袋与分子的表征。我们还引入受生物知识启发的数据增强策略以学习更优蛋白质-分子表征。大量实验表明，DrugCLIP 在多种虚拟筛选基准上显著优于传统对接与监督学习方法，且计算时间大幅降低，尤其在零样本设定下。
引用
@article{arxiv.2310.06367,
title = {DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening},
author = {Bowen Gao and Bo Qiang and Haichuan Tan and Minsi Ren and Yinjun Jia and Minsi Lu and Jingjing Liu and Weiying Ma and Yanyan Lan},
journal= {arXiv preprint arXiv:2310.06367},
year = {2023}
}