Kim等。 提出了一种基于结构的新推理方法,该方法通过利用每个复合物的多个分子对接姿势来预测蛋白质结合属性。 他们的方法与注意力网络集成了多个实体学习(MIL),从而可以进行准确的预测,而无需依赖于复杂的晶体结构,而这些晶体结构通常是不可用的。 mil是一个弱监督的学习范式,在只有汇总标签而不是用于单个数据点的标签时,特别有效。 作者利用了MIL处理多个对接姿势的能力,即使在没有实验性结构数据的情况下,也可以改善具有结合的依从性预测。 通过考虑结构的灵活性和不确定性,这种显着增强的虚拟筛选过程。 使用PDBBIND和包含针对SARS-COV-2主要蛋白酶的化合物的PDBBIND和数据集验证该模型,与需要晶体结构的模型相比,证明了竞争性能。 通过利用对接摆姿势,该方法扩大了与以前无法接近蛋白质靶标的结合依据预测的适用性,这标志着AI-wir.驱动的药物发现和虚拟高通量筛查的主要进步。Kim等。提出了一种基于结构的新推理方法,该方法通过利用每个复合物的多个分子对接姿势来预测蛋白质结合属性。他们的方法与注意力网络集成了多个实体学习(MIL),从而可以进行准确的预测,而无需依赖于复杂的晶体结构,而这些晶体结构通常是不可用的。mil是一个弱监督的学习范式,在只有汇总标签而不是用于单个数据点的标签时,特别有效。作者利用了MIL处理多个对接姿势的能力,即使在没有实验性结构数据的情况下,也可以改善具有结合的依从性预测。通过考虑结构的灵活性和不确定性,这种显着增强的虚拟筛选过程。使用PDBBIND和包含针对SARS-COV-2主要蛋白酶的化合物的PDBBIND和数据集验证该模型,与需要晶体结构的模型相比,证明了竞争性能。通过利用对接摆姿势,该方法扩大了与以前无法接近蛋白质靶标的结合依据预测的适用性,这标志着AI-wir.驱动的药物发现和虚拟高通量筛查的主要进步。
主要关键词