MC-GNNAS-Dock：基于多准则GNN算法选择的分子对接
人工智能
2025-10-01 v1
摘要
分子对接是药物发现中预测配体-靶点相互作用的核心工具。尽管存在多样化的基于搜索的和机器学习方法，但没有单一的对接算法在所有情境下都始终占据统治地位，因为性能会因具体情境而异。为克服这一挑战，基于图神经网络构建的算法选择框架如GNNAS-Dock 已被提出。本研究引入了增强型系统MC-GNNAS-Dock，包含三个关键改进：（i）多准则评估将结合束态精度（RMSD）与PoseBusters的有效性检查，提供更严格的评估；（ii）通过引入残差连接实现架构优化，增强预测鲁棒性；（iii）采用排序感知损失函数以 sharpen 排序学习。对来自PDBBind约3200个蛋白-配体复合物的精选数据集进行大规模实验。MC-GNNAS-Dock 在综合准则下表现持续优于，在RMSD<1Å（2Å）且通过PoseBuster有效性检验的情境下，相较于单一最佳求解器（SBS）Uni-Mol Docking V2 实现最高达5.4%（3.4%）的提升。
关键词
引用
@article{arxiv.2509.26377,
title = {MC-GNNAS-Dock: Multi-criteria GNN-based Algorithm Selection for Molecular Docking},
author = {Siyuan Cao and Hongxuan Wu and Jiabao Brad Wang and Yiliang Yuan and Mustafa Misir},
journal= {arXiv preprint arXiv:2509.26377},
year = {2025}
}
备注
Short paper. Preprint of a forthcoming conference contribution