PLD-Tree：用于蛋白-蛋白结合自由能预测的持久拉普拉斯决策树
生物大分子
2024-12-25 v1
摘要
最近的拓扑建模技术的进展加速了物理建模和分子研究的进程，包括应用于蛋白-配体结合亲和力。在本工作中，我们引入了持久拉普拉斯决策树（PLD-Tree），这是一种新型方法，旨在解决预测蛋白-蛋白相互作用（PPI）亲和力这一具有挑战性的任务。PLD-Tree聚焦于结合界面上的蛋白链，利用持久拉普拉斯捕获反映关键蛋白间相互作用的拓扑不变量。这些由持久同调 homology 提取的拓扑描述子，进一步通过整合来自大型语言模型的演化尺度建模（ESM）来集成序列信息。我们在两个基准数据集上对PLD-Tree进行了验证——PDBbind V2020 和 SKEMPI v2，展示在精细的留外蛋白交叉验证下，PLD-Tree 可获得0.83的相关系数（）。值得注意的是，我们的方法在这些数据集上超越了所有已报告的领先方法。这些结果凸显了将机器学习技术与基于拓扑的描述子相结合用于分子对接和虚拟筛选的潜力，为预测蛋白-蛋白结合亲和力提供了一个稳健且精确的框架。
引用
@article{arxiv.2412.18541,
title = {PLD-Tree: Persistent Laplacian Decision Tree for Protein-Protein Binding Free Energy Prediction},
author = {Xingjian Xu and Jiahui Chen and Chunmei Wang},
journal= {arXiv preprint arXiv:2412.18541},
year = {2024}
}
备注
19 pages, 3 figures, 4 tables