GDEGAN：用于配体结合位点预测的高斯动态等变图注意网络
机器学习
2026-03-23 v1
摘要
准确预测给定蛋白质的结合位点是结构基于计算药物发现中的关键步骤。最近，等变图神经网络 (GNN) 由于大规模蛋白质3D结构数据集（如蛋白质数据库和AlphaFold预测）的可用性，已成为结合位点识别方法的强大范式。现有的SOTA等变GNN方法采用点积注意力机制，忽略了相邻残基在化学和几何属性上的差异。为捕捉这种差异，我们提出了GDEGAN (Gaussian Dynamic Equivariant Graph Attention Network)，用自适应核取代点积注意力以识别结合位点。我们的方法通过捕捉相邻残基特征分布统计量来表征这种差异。我们的机制在每个图层动态计算邻域统计量，利用局部方差作为自适应带宽参数，采用可学习的每个注意力头温度，使每个蛋白质区域能够确定其自身情境相关的重要性。GDEGAN在COACH420、HOLO4k和PDBBind2020数据集上，相较于现有方法在DCC和DCA成功率上分别实现了37-66%和7-19%的相对提升。这些进展直接应用于加速蛋白-小分子对接，通过识别治疗靶点的潜在结合位点。
引用
@article{arxiv.2603.19817,
title = {GDEGAN: Gaussian Dynamic Equivariant Graph Attention Network for Ligand Binding Site Prediction},
author = {Animesh and Plaban Kumar Bhowmick and Pralay Mitra},
journal= {arXiv preprint arXiv:2603.19817},
year = {2026}
}