HAC-Net：一种用于高精度蛋白质-配体结合亲和力预测的基于混合注意力的卷积神经网络
生物大分子
2023-12-05 v4 机器学习
摘要
应用来自图像检测和图论的深度学习概念已极大推进了蛋白质-配体结合亲和力预测，这是一项对药物发现和蛋白质工程均有巨大影响的挑战。我们基于这些进展，设计了一种新颖的深度学习架构，其由一个利用通道注意力的三维卷积神经网络和两个利用基于注意力的节点特征聚合的图卷积网络组成。HAC-Net（Hybrid Attention-Based Convolutional Neural Network，基于混合注意力的卷积神经网络）在 PDBbind v.2016 核心集（该领域最广泛认可的基准）上取得了最先进的结果。我们使用多种训练-测试划分广泛评估了模型的泛化能力，每种划分均最大化训练集与测试集中复合物的蛋白质结构、蛋白质序列或配体扩展连通性指纹之间的差异。此外，我们在训练集与测试集配体的 SMILES 字符串之间设定相似性截断值进行 10 折交叉验证，并评估 HAC-Net 在较低质量数据上的性能。我们设想该模型可扩展至与基于结构的生物分子性质预测相关的广泛监督学习问题。我们的所有软件均在 https://github.com/gregory-kyro/HAC-Net/ 以开源形式提供，HACNet Python 包可通过 PyPI 获取。
引用
@article{arxiv.2212.12440,
title = {HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction},
author = {Gregory W. Kyro and Rafael I. Brent and Victor S. Batista},
journal= {arXiv preprint arXiv:2212.12440},
year = {2023}
}