持久局部拉普拉斯用于蛋白-配体结合亲和力预测
生物大分子
2026-03-24 v1
摘要
准确预测蛋白-配体结合亲和力仍是基于结构的药物发现中的核心挑战。机器学习模型的有效性严重依赖分子描述子的质量,而高级数学框架提供了强大的工具。在本工作中,我们采用一种新型数学理论,称为持久局部拉普拉斯(PLL),构建捕获生分子结构局部分几何和拓扑特征的分子描述子。PLL 框架解决了传统拓扑数据分析方法(如持久同调和持久拉普拉斯)的关键局限性——这些方法常对局部结构变化不敏感,同时保持高计算效率。所得分子描述子与先进机器学习算法集成,用于开发准确的蛋白-配体结合亲和力预测模型。该方法在三个广为人知的基准数据集上进行系统评估，表现出始终如一的强大且具竞争力的预测性能。计算结果表明,PLL 基于模型在现有方法上取得优势,凸显其作为药物发现、蛋白工程以及更广泛科学与工程应用的强大工具潜力。
引用
@article{arxiv.2603.21503,
title = {Persistent local Laplacian prediction of protein-ligand binding affinities},
author = {Jian Liu and Hongsong Feng},
journal= {arXiv preprint arXiv:2603.21503},
year = {2026}
}