DSDP：一种由 GPU 加速的盲对接策略
化学物理
2023-03-20 v1 机器学习
摘要
虚拟筛选（包括分子对接）在药物发现中起着至关重要的作用。许多传统方法和基于机器学习的方法可用于完成对接任务。传统对接方法通常极为耗时，且其在盲对接中的性能仍有待提高。尽管基于机器学习的对接运行时间显著减少，但其精度仍然有限。在本研究中，我们结合传统与基于机器学习的方法优势，提出一种名为 Deep Site and Docking Pose (DSDP) 的方法以提升盲对接性能。对于传统盲对接，整个蛋白质被一个立方体覆盖，配体的初始位置在该立方体内随机生成。相反，DSDP 可预测蛋白质的结合位点，并为进一步的构象采样提供准确的搜索空间与初始位置。DSDP 的对接任务利用评分函数以及类似但经修改的 AutoDock Vina 搜索策略，并通过 GPU 实现加速。我们将其性能与最先进的方法（包括 Autodock Vina、GNINA、QuickVina、SMINA 和 DiffDock）进行了系统比较。DSDP 在一个无偏且具有挑战性的测试数据集上达到了 29.8% 的 top-1 成功率（RMSD < 2 {\AA}），每系统挂钟计算时间为 1.2 s。其在 DUD-E 数据集以及 EquiBind、TankBind 和 DiffDock 中使用的 time-split PDBBind 数据集上的表现同样有效，分别以每系统 0.8 s 和 1.0 s 达到 57.2% 和 41.8% 的 top-1 成功率。
引用
@article{arxiv.2303.09916,
title = {DSDP: A Blind Docking Strategy Accelerated by GPUs},
author = {YuPeng Huang and Hong Zhang and Siyuan Jiang and Dajiong Yue and Xiaohan Lin and Jun Zhang and Yi Qin Gao},
journal= {arXiv preprint arXiv:2303.09916},
year = {2023}
}