基于原子网格的卷积神经网络配体姿态优化
机器学习
2017-10-23 v1 机器学习
生物大分子
摘要
对接是计算药物发现中的重要工具，旨在通过姿态评分与优化相结合来预测配体与靶蛋白的结合姿态。一个相对于原子位置可微的评分函数可用于对接中姿态的评分和基于梯度的优化。使用可微的基于网格的原子表示作为输入，我们证明了通过训练卷积神经网络(CNN)识别结合姿态而学习到的评分函数也可应用于姿态优化。我们还展示了一种迭代训练的CNN（其训练集中包含了由第一个CNN优化的姿态）在优化随机初始化姿态方面表现优于第一个CNN评分函数或AutoDock Vina。
引用
@article{arxiv.1710.07400,
title = {Ligand Pose Optimization with Atomic Grid-Based Convolutional Neural Networks},
author = {Matthew Ragoza and Lillian Turner and David Ryan Koes},
journal= {arXiv preprint arXiv:1710.07400},
year = {2017}
}
备注
10 pages