GPCR-Filter：一个用于高效精准发现GPCR调节剂的深度学习框架
机器学习
2026-02-03 v2 定量方法
摘要
G蛋白偶联受体（GPCRs）调控着多种生理过程，是现代药理学的核心。然而，发现GPCR调节剂仍然具有挑战性，因为受体激活通常源于复杂的别构效应而非直接的结合亲和力，并且传统的检测方法缓慢、昂贵且未针对捕捉这些动态过程进行优化。在此，我们提出了GPCR-Filter，一个专门为GPCR调节剂发现而开发的深度学习框架。我们组装了一个包含超过90,000对实验验证的GPCR-配体对的高质量数据集，为训练和评估提供了坚实的基础。GPCR-Filter集成了用于高保真GPCR序列表示的ESM-3蛋白质语言模型与编码配体结构的图神经网络，通过一个基于注意力的融合机制耦合，学习受体-配体功能关系。在多种评估设置中，GPCR-Filter始终优于最先进的化合物-蛋白质相互作用模型，并对未见过的受体和配体表现出强大的泛化能力。值得注意的是，该模型成功识别出具有不同化学骨架的5-HT\textsubscript{1A}受体的微摩尔级激动剂。这些结果确立了GPCR-Filter作为一种可扩展且有效的GPCR调节剂发现计算方法，推动了针对复杂信号系统的AI辅助药物开发。
引用
@article{arxiv.2601.19149,
title = {GPCR-Filter: a deep learning framework for efficient and precise GPCR modulator discovery},
author = {Jingjie Ning and Xiangzhen Shen and Li Hou and Shiyi Shen and Jiahao Yang and Junrui Li and Hong Shan and Sanan Wu and Sihan Gao and H. Eric Xu and Xinheng He},
journal= {arXiv preprint arXiv:2601.19149},
year = {2026}
}