基于深度融合模型对SARS-CoV-2蛋白靶点小分子抑制剂的高通量虚拟筛选
机器学习
2021-06-02 v3 生物大分子
摘要
基于结构的深度融合（Deep Fusion）模型近来被证明优于若干基于物理与机器学习的蛋白-配体结合亲和力预测方法。作为多机构COVID-19疫情响应的一部分，我们对来自新型冠状病毒（SARS-CoV-2，致COVID-19）的四个蛋白结构计算了超过5亿个小分子的筛选。为评估超过50亿个对接姿态对SARS-CoV-2蛋白靶点的作用，我们对深度融合做了三项改进。首先，通过将架构表述为一个连贯反向传播模型（Coherent Fusion）精炼了深度融合概念，以提升结合亲和力预测精度。其次，采用分布式遗传超参数优化训练模型。最后，开发了可扩展的高通量筛选能力，以最大化评估配体数量并加快走向实验评估的进程。本工作中，我们既呈现了为基于机器学习的高通量筛选所开发的方法，也呈现了使用我们的计算流水线寻找SARS-CoV-2抑制剂的结果。
引用
@article{arxiv.2104.04547,
title = {High-Throughput Virtual Screening of Small Molecule Inhibitors for SARS-CoV-2 Protein Targets with Deep Fusion Models},
author = {Garrett A. Stevenson and Derek Jones and Hyojin Kim and W. F. Drew Bennett and Brian J. Bennion and Monica Borucki and Feliza Bourguet and Aidan Epstein and Magdalena Franco and Brooke Harmon and Stewart He and Max P. Katz and Daniel Kirshner and Victoria Lao and Edmond Y. Lau and Jacky Lo and Kevin McLoughlin and Richard Mosesso and Deepa K. Murugesh and Oscar A. Negrete and Edwin A. Saada and Brent Segelke and Maxwell Stefan and Marisa W. Torres and Dina Weilhammer and Sergio Wong and Yue Yang and Adam Zemla and Xiaohua Zhang and Fangqiang Zhu and Felice C. Lightstone and Jonathan E. Allen},
journal= {arXiv preprint arXiv:2104.04547},
year = {2021}
}