面向多域蛋白质-配体结合的分层对比学习
机器学习
2026-05-20 v1 定量方法
摘要
对于多域蛋白质，预测蛋白质-配体结合亲和力仍然是一个棘手问题，因为域间动力学主导着分子识别。现有的几何深度学习方法通常将蛋白质视为静态的整体图，受到刚体假设和柔性区域中偶然噪声的影响。为解决这一问题，我们引入了 HCLBind，这是一个自监督框架，将几何表示学习与亲和力回归解耦。HCLBind 在 Q-BioLiP 数据库上利用从通用到特定的预训练范式，学习稳健的结合物理语法。我们提出了一种新颖的分层诱饵策略：模型通过单域蛋白质中的蛋白质坐标扰动学习局部物理化学约束，并通过多域复合物中的域间旋转学习全局构象几何。我们的混合架构集成了域门控图注意力网络和跨模态注意力，以明确优先处理域界面。此外，我们在蛋白质和配体基础模型上采用 LoRA，确保高效优化的同时保留进化知识。在 PDBBind 上的实验表明，HCLBind 有效地学习了判别性界面特征，并提供了稳健的不确定性估计，克服了标准监督学习的局限性。代码可在 https://github.com/jiankliu/HCLBind 获取。
引用
@article{arxiv.2605.19902,
title = {Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding},
author = {Shuo Zhang and Rongqi Hong and Huifeng Zhang and Jian K. Liu},
journal= {arXiv preprint arXiv:2605.19902},
year = {2026}
}
备注
Accepted by ISBRA2026