“对接游戏”：基于循环自我博弈的灵活蛋白-配体结合快速、动态且精准预测

分子对接是药物发现的关键环节，用于预测小分子配体与蛋白口袋之间的结合相互作用。然而，当前的多任务学习模型在配体对接方面往往表现不佳，尤其是与蛋白口袋对接相比。这一差异主要源于配体和蛋白质结构的不同复杂度。为此，我们提出一种新颖的博弈论框架，将蛋白-配体相互作用建模为称为“对接游戏”的两人博弈，其中配体对接模块充当配体玩家，蛋白质口袋对接模块充当蛋白质玩家。为解决该博弈，我们开发了一种新颖的循环自我对弈（LoopSelfPlay）算法，通过两级循环交替训练这些玩家。在外层循环中，玩家交换预测姿态，使每方能够整合对方的结构预测，从而在多轮迭代中促进相互适应。在内层循环中，每个玩家通过将自身预测的配体或口袋姿态重新整合到模型中来动态细化其预测。我们理论上证明了LoopPlay的收敛性，确保了稳定的优化。大量实验表明，LoopPlay在公开基准数据集上实现了约10%的结合模式精准预测提升，较之前所未有的SOTA方法。这凸显了其在药物发现中提高分子对接精度的潜力。