基于哈希的对比学习虚拟筛选
人工智能
2024-07-30 v1
摘要
虚拟筛选 (VS) 是计算机辅助药物发现中的关键步骤，旨在识别与特定目标受体（如蛋白质）结合的分子。传统的 VS 方法，如对接方法，往往在筛选大规模分子数据库时耗时过长。近期的深度学习进展表明，使用对比学习为蛋白质和分子学习向量表示可超过传统对接方法。然而，鉴于目标数据库常常包含数十亿分子，现有方法采用实值向量表示在 VS 中仍会产生显著的内存和时间成本。为解决此问题，本文提出一种基于哈希的对比学习方法，称为 DrugHash，用于 VS。DrugHash 将 VS 视为一个使用高效二进制哈希码进行检索的任务。具体而言，DrugHash 设计了一种简单而有效的哈希策略，以实现蛋白质和分子两种模态二进制哈希码的端到端学习，从而在更高准确率下大幅降低内存和时间成本。实验结果表明，DrugHash 能超过现有方法，实现最佳准确率，内存节省 32 倍，速度提升 3.5 倍。
引用
@article{arxiv.2407.19790,
title = {Hashing based Contrastive Learning for Virtual Screening},
author = {Jin Han and Yun Hong and Wu-Jun Li},
journal= {arXiv preprint arXiv:2407.19790},
year = {2024}
}