InteractionNet：基于非共价图神经网络与逐层相关性传播的非共价蛋白质-配体相互作用建模与解释
生物大分子
2020-05-28 v1 机器学习
机器学习
摘要
将基于图的深度学习模型的应用范围扩展到非共价蛋白质-配体相互作用，在基于结构的药物设计中受到越来越多的关注。用图神经网络（GNNs）对蛋白质-配体相互作用建模，在将蛋白质-配体复合物结构转换为图表示方面存在困难，并且留下了训练模型是否恰当地学习了适当的非共价相互作用的疑问。在此，我们提出了一种称为 InteractionNet 的 GNN 架构，它通过不同的卷积层学习两个分离的图，即共价图和非共价图。我们还用一种可解释性技术，即逐层相关性传播，分析了 InteractionNet 模型，以检验模型预测的化学相关性。共价和非共价卷积步骤的分离使得可以独立评估每个步骤的贡献，并分析用于非共价相互作用的建图策略。我们将 InteractionNet 应用于蛋白质-配体结合亲和力的预测，并表明我们的模型在性能和化学解释相关性两方面都成功预测了非共价相互作用。
引用
@article{arxiv.2005.13438,
title = {InteractionNet: Modeling and Explaining of Noncovalent Protein-Ligand Interactions with Noncovalent Graph Neural Network and Layer-Wise Relevance Propagation},
author = {Hyeoncheol Cho and Eok Kyun Lee and Insung S. Choi},
journal= {arXiv preprint arXiv:2005.13438},
year = {2020}
}