LINKER：基于化学知识增强推理与可解释性学习功能基团与残基之间的相互作用
机器学习
2025-09-04 v1 定量方法
摘要
准确识别蛋白质残基与配体功能基团之间的相互作用对于理解分子识别和指导理性药物设计至关重要。现有的深度学习方法往往依赖 3D 结构输入或使用基于距离的接触标签，限制了其适用性和生物学相关性。我们引入 LINKER，这是第一个仅使用蛋白质序列和配体 SMILES 作为输入，预测残基-功能基团相互作用的序列基模型。LINKER 使用基于功能基团的 motif 提取从 3D 蛋白质-配体复合物派生互动标签，通过结构监督注意力进行训练。通过将配体结构抽象为功能基团，该模型聚焦于化学上有意义的亚结构，同时预测相互作用类型而非仅预测空间接近。关键的是，LINKER 在推断阶段仅需要序列级别的输入，使其能够在结构数据不可用时大规模应用。在 LP-PDBBind 数据集上进行的实验表明，针对功能基团抽象的结构信息监督可产生与生物化学注释高度一致的相互作用预测。
关键词
引用
@article{arxiv.2509.03425,
title = {LINKER: Learning Interactions Between Functional Groups and Residues With Chemical Knowledge-Enhanced Reasoning and Explainability},
author = {Phuc Pham and Viet Thanh Duy Nguyen and Truong-Son Hy},
journal= {arXiv preprint arXiv:2509.03425},
year = {2025}
}