通过多任务深度学习模型预测针对 SARS-CoV-2 的潜在市售抑制剂
分子网络
2022-09-07 v3
摘要
COVID-19 的爆发在全球造成数百万人死亡，总感染人数仍在上升。有必要确定一些潜在有效的药物，用于预防感染者发展为重症症状甚至死亡。幸运的是，已做出许多努力，并确定了几种有效药物。迅速增长的数据量对训练有效且特定的深度学习模型大有助益。在本研究中，我们提出一种多任务深度学习模型，用于筛选针对 SARS-CoV-2 的市售有效抑制剂。首先，我们在多个异质蛋白–配体相互作用数据集上预训练了一个模型，该模型在一些基准数据集上取得了有竞争力的结果。接下来，收集了一个冠状病毒特异性数据集并用于微调模型。然后，微调后的模型被用于筛选针对 SARS-CoV-2 蛋白靶点的市售药物。总体而言，列出了二十种化合物作为潜在抑制剂。我们进一步探索了模型可解释性，并观察到预测的重要结合位点。基于该预测，还进行了分子对接以可视化所选抑制剂的结合模式。
引用
@article{arxiv.2003.00728,
title = {Prediction of Potential Commercially Available Inhibitors against SARS-CoV-2 by Multi-Task Deep Learning Model},
author = {Fan Hu and Jiaxin Jiang and Peng Yin},
journal= {arXiv preprint arXiv:2003.00728},
year = {2022}
}