MTPNet：用于统一活动悬崖预测的多粒度靶标感知
机器学习
2025-06-09 v1 人工智能
计算工程、金融与科学
摘要
活动悬崖预测是药物发现和材料设计中的关键任务。现有计算方法仅能处理单一靶点，限制了这些预测模型的适用性。本文提出了多粒度靶标感知网络（MTPNet），以分子与其靶点蛋白之间的相互作用先验知识为依据。具体而言，MTPNet 是一个用于活动悬崖预测的统一框架，包含两个组件：宏观层次靶标语义引导（MTS）和微观层次口袋语义引导（MPS）。通过这种方式，MTPNet 在多粒度蛋白质语义条件下动态优化分子表示。到目前为止，这是首次将受体蛋白作为指导信息来有效捕获关键相互作用细节。30 个代表性活动悬崖数据集上的广泛实验表明，MTPNet 显著优于先前方法，在几乎所有主流图神经网络架构上实现约 18.95% 的平均 RMSE 降幅。总体而言，MTPNet 通过条件深度学习内化相互作用模式，实现了活动悬崖的统一预测，帮助加速化合物优化与设计。代码已在：https://github.com/ZishanShu/MTPNet 上发布。
引用
@article{arxiv.2506.05427,
title = {MTPNet: Multi-Grained Target Perception for Unified Activity Cliff Prediction},
author = {Zishan Shu and Yufan Deng and Hongyu Zhang and Zhiwei Nie and Jie Chen},
journal= {arXiv preprint arXiv:2506.05427},
year = {2025}
}