Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

0

腾讯AI Lab突破性进展:Interformer模型精准预测蛋白质-配体结合,助力药物研发新纪元

引言: 药物研发,如同在浩瀚宇宙中寻找一颗合适的星球,需要精准的导航和强大的计算能力。而蛋白质-配体对接和亲和力预测,正是这导航系统中的关键环节。近日,腾讯AI Lab发布的Interformer模型,凭借其84.09%的惊人准确率,为这一领域带来了革命性的突破,其研究成果已发表于《Nature Communications》。这不仅是人工智能在生物医药领域的又一里程碑,更预示着药物研发效率的显著提升和个性化医疗时代的加速到来。

主体:

蛋白质-配体对接,旨在预测小分子药物(配体)与蛋白质靶标结合时的最佳位置和方向;亲和力预测则评估这种结合的强度。这两个步骤对基于结构的药物设计至关重要,然而,传统方法和早期深度学习模型往往面临挑战:难以准确模拟配体和蛋白质原子之间复杂的非共价相互作用(如氢键和疏水作用),导致模型泛化能力和可解释性不足。

Interformer模型的出现,正是为了解决这些难题。它巧妙地结合了Graph-Transformer架构和交互感知混合密度网络(MDN),实现了对蛋白质-配体相互作用的精准建模。

  • 交互感知混合密度网络 (MDN): Interformer的核心创新在于MDN的使用。不同于以往模型忽略原子间相互作用细节的不足,MDN能够明确捕捉氢键和疏水相互作用等关键信息,从而更准确地预测配体与蛋白质的结合方式。 这就好比用高清显微镜观察药物分子与蛋白质靶标的结合过程,细节清晰可见。

  • 负采样策略与伪Huber损失函数: 为了进一步提升预测精度,研究团队引入了负采样策略,并设计了伪Huber损失函数。负采样策略通过引入“不良”结合姿势,帮助模型更好地学习区分有利和不利的结合模式;伪Huber损失函数则增强了模型的对比学习能力,提高了模型对结合亲和力的预测准确性。

  • Graph-Transformer架构: Interformer基于Graph-Transformer架构构建,该架构在图表示学习任务中表现优异,能够有效处理蛋白质和配体分子复杂的拓扑结构,并捕捉分子内部和分子间的相互作用。 这如同搭建了一个高效的交通网络,让信息在分子结构中快速、准确地传递。

Interformer的模型架构可以分为三个阶段:首先,将蛋白质和配体的原子信息转化为图结构;其次,利用Intra-Blocks和Inter-Blocks分别捕捉分子内部和分子间的相互作用,并通过MDN预测原子间距离;最后,通过蒙特卡洛采样生成多个候选结合姿势,并利用姿势得分和亲和力预测管道,最终预测结合亲和力。

结论:

Interformer模型的出现,标志着人工智能在药物研发领域取得了重大进展。其84.09%的准确率,以及对蛋白质-配体相互作用的精准建模能力,为加速药物研发进程提供了强有力的工具。 未来,Interformer有望在药物发现、精准医疗等领域发挥更大的作用,推动个性化药物的研发,最终造福人类健康。 然而,进一步的研究仍需关注模型的可解释性提升和在更大规模数据集上的验证,以确保其在实际应用中的可靠性和泛化能力。

参考文献:

(待补充:由于我没有访问互联网的能力,无法提供具体的论文链接和引用格式。请读者自行搜索“Interformer: an interaction-aware model for protein-ligand docking and affinity prediction”获取论文全文及引用信息。)


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注