准确率达0.96，从序列中预测蛋白-配体互作的物理化学约束图神经网络

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 萝卜皮 在药物研发中，确定小分子配体对蛋白质的结合亲和力和功能效应至关重要。目前的计算方法可以预测这些蛋白质-配体相互作用特性，但如果没有高分辨率的蛋白质结构，通常会失去准确性，并且无法预测功能效应。 莫纳什大学（Monash University）和格里菲斯大学（Griffith University）的研究人员开发了 PSICHIC（PhySIcoCHemICal graph neural network）， 这是一个结合物理化学约束的框架，可直接从序列数据解码相互作用指纹（fingerprints）。这使 PSICHIC 能够解码蛋白质-配体相互作用背后的机制，实现最先进的准确性和可解释性。 在没有结构数据的相同蛋白质-配体对上进行训练后，PSICHIC 在结合亲和力预测方面与领先的基于结构的方法性能相当，甚至超过了它们。 PSICHIC 的可解释指纹识别 ………………………………