PASSerRank：基于排序学习的别构位点预测
定量方法
2023-05-02 v2
摘要
别构在调节蛋白质活性中起着关键作用，使其成为药物开发中备受追捧的靶点。别构药物研究的主要挑战之一是别构位点的识别。近年来，许多计算模型被开发用于准确的别构位点预测。这些模型大多侧重于设计可应用于来自不同家族蛋白质口袋的通用规则。在本研究中，我们提出一种使用排序学习（LTR）概念的新方法。LTR 模型根据口袋与别构位点的相关性（即口袋符合已知别构位点特征的程度）对口袋排序。该模型以更高的 F1 分数与马修斯相关系数优于其他常见机器学习模型。在两个数据集（别构数据库（ASD）与 CASBench）上训练与验证后，LTR 模型分别能在 83.6\% 与 80.5\% 的测试蛋白质中将别构口袋排在前 3 位。训练好的模型可在 PASSer 平台（https://passer.smu.edu）获取，以辅助药物发现研究。
引用
@article{arxiv.2302.01117,
title = {PASSerRank: Prediction of Allosteric Sites with Learning to Rank},
author = {Hao Tian and Sian Xiao and Xi Jiang and Peng Tao},
journal= {arXiv preprint arXiv:2302.01117},
year = {2023}
}