STELLAR-koff：基于相互作用景观的蛋白-配体解离速率常数预测转移学习模型
定量方法
2025-11-04 v1
摘要
成功的药物设计关键在于正确理解蛋白-配体相互作用。在当前知识框架下，这些相互作用可以从热力学和动力学两个角度进行描述。近年来，许多深度学习模型涌现用于预测蛋白-配体相互作用的热力学属性。然而，目前尚无成熟模型用于预测动力学属性，主要由于缺乏动力学数据。为解决这一问题，我们开发了一个图神经网络模型STELLAR-koff（Structure-based TransfEr Learning for Ligand Activity Regression），用于预测蛋白-配体解离速率常数。不同于传统蛋白-配体属性预测模型通常以单一复合构象为输入，STELLAR-koff采用转移学习将蛋白内多个配体构象转化为蛋白-配体相互作用景观，并以此景观为模型的主要输入。此外，我们将PDBbind koff数据集从680条扩展到1197条，并使用扩充后的数据集进行模型训练和测试。通过五折交叉验证，STELLAR-koff在预测性能上取得了0.729的皮尔逊相关系数，优于或相当于大多数已发布的预测方法。在外部数据集上测试，STELLAR-koff在预测未见过的蛋白方面表现出色，特别是对粘附激酶（focal adhesion kinase）实现了0.838的皮尔逊系数。对cyclin-dependent kinase的实验验证也表明STELLAR-koff在实际药物发现场景中的有效性。我们认为本研究为预测蛋白-配体解离速率常数提供了有效工具，并为该领域的未来发展提供了新视角。
引用
@article{arxiv.2511.01171,
title = {STELLAR-koff: A Transfer Learning Model for Protein-Ligand Dissociation Rate Constant Prediction Based on Interaction Landscape},
author = {Jingyuan Li},
journal= {arXiv preprint arXiv:2511.01171},
year = {2025}
}