基于多模态蛋白表示学习与靶标感知变分自编码器的配体生成
生物大分子
2023-10-02 v1 机器学习
摘要
在缺乏特定口袋知识的情况下，基于蛋白靶标全局结构生成配体在药物发现中起着关键作用，因其有助于缩减管线中潜在类药候选物的搜索空间。然而，现有方法需为每个蛋白优化定制网络，繁琐且昂贵。为解决此问题，我们提出 TargetVAE，一种靶标感知变分自编码器，可生成对任意蛋白靶标具有高结合亲和力的配体，其由基于图 Transformer 构建的新型多模态深度神经网络作为生成模型先验引导。这是首次将蛋白的不同表示（如氨基酸序列、三维结构）统一到单一模型中的尝试，我们称之为蛋白多模态网络（Protein Multimodal Network, PMN）。我们的多模态架构从完整蛋白结构学习，能够捕捉其序列、拓扑与几何信息。我们通过大量实验与评估展示方法的优越性，包括生成模型质量评估、 unseen 靶标的配体生成、对接分数计算以及结合亲和力预测。实证结果证明了所提方法的前景。我们的软件包公开于 https://github.com/HySonLab/Ligand_Generation。
引用
@article{arxiv.2309.16685,
title = {Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning},
author = {Nhat Khang Ngo and Truong Son Hy},
journal= {arXiv preprint arXiv:2309.16685},
year = {2023}
}