用于蛋白质-配体结合亲和力预测的结构感知交互图神经网络
定量方法
2021-07-24 v1 机器学习
摘要
药物发现通常依赖于对蛋白质-配体结合亲和力的成功预测。近期进展表明，应用图神经网络（GNNs）通过学习蛋白质-配体复合物的表示来实现更好的亲和力预测极具前景。然而，现有方案通常将蛋白质-配体复合物视为拓扑图数据，因而未能充分利用生物分子结构信息。GNN 模型中也忽略了原子间本质的长程相互作用。为此，我们提出一种结构感知交互图神经网络（SIGN），其由两个组件构成：极坐标启发的图注意力层（PGAL）与成对交互池化（PiPool）。具体而言，PGAL 迭代执行节点-边聚合过程以更新节点与边的嵌入，同时保留原子间的距离与角度信息。随后采用 PiPool 收集交互边并辅以重建损失以反映全局相互作用。在两个基准上的详尽实验研究验证了 SIGN 的优越性。
引用
@article{arxiv.2107.10670,
title = {Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity},
author = {Shuangli Li and Jingbo Zhou and Tong Xu and Liang Huang and Fan Wang and Haoyi Xiong and Weili Huang and Dejing Dou and Hui Xiong},
journal= {arXiv preprint arXiv:2107.10670},
year = {2021}
}
备注
11 pages, 8 figures, Accepted by KDD 2021 (Research Track)