基于eGNN的蛋白质结合亲和力预测：结合残基与原子图及语言模型信息的eGRAL
定量方法
2024-05-07 v1 人工智能
机器学习
摘要
蛋白质-蛋白质相互作用（PPIs）在诸多生物学过程中发挥着关键作用。开发预测单次或多次取代突变下结合亲和力变化的方法，对于建模和重构生物系统至关重要。深度学习日益被认识为一种强大的工具，能够弥合synthetic predictions与in-vitro观察之间的差距。通过本工作，我们提出eGRAL，一种新型SE(3)等变图神经网络（eGNN）架构，用于从蛋白质复合物中进行多次氨基酸取代突变下的结合亲和力预测。eGRAL利用从蛋白质大语言模型中提取的特征，融合了残基、原子和进化尺度。为解决大规模亲和力测定数据稀缺的难题，我们生成了约50万数据点的模拟数据集。该模型在此数据集上进行预训练，然后在实验数据上进行微调和测试。
引用
@article{arxiv.2405.02374,
title = {Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL},
author = {Arturo Fiorellini-Bernardis and Sebastien Boyer and Christoph Brunken and Bakary Diallo and Karim Beguir and Nicolas Lopez-Carranza and Oliver Bent},
journal= {arXiv preprint arXiv:2405.02374},
year = {2024}
}