GraphPrint：从3D蛋白质结构提取特征用于药物靶点亲和力预测
机器学习
2024-07-16 v1 人工智能
摘要
准确的药物靶点亲和力预测可提高药物候选人选择效率，加快药物发现进程，降低药物生产成本。以往工作关注传统指纹或基于氨基酸序列提取的特征，忽略了蛋白质3D结构，这会影响其结合亲和力。本文提出了GraphPrint：一种用于 incorporating 3D蛋白质结构特征的框架。我们使用氨基酸残基位置坐标生成蛋白质3D结构的图表示，并将其与药物图表示和传统特征联合学习药物靶点亲和力。我们的模型在KIBA数据集上实现了均方误差为0.1378，concordance index为0.8929，显著优于仅使用传统蛋白质特征的方法。我们的消融研究表明，基于3D蛋白质结构的特征提供的信息是传统特征的互补信息。
引用
@article{arxiv.2407.10452,
title = {GraphPrint: Extracting Features from 3D Protein Structure for Drug Target Affinity Prediction},
author = {Amritpal Singh},
journal= {arXiv preprint arXiv:2407.10452},
year = {2024}
}
备注
Accepted: The NeurIPS 2023 Workshop on New Frontiers of AI for Drug Discovery and Development (AI4D3 2023), New Orleans, LA, USA, 2023