EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction
本文介绍了 EquiPocket，这是一种 E(3)-等变几何图神经网络，它通过有效建模不规则蛋白质结构、旋转不变性和表面几何形状，克服了现有基于体素的 CNN 方法的局限性，从而实现了卓越的配体结合位点预测。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在活细胞的微观世界中，生命依赖于分子之间持续且精准的对话。大型蛋白质充当受体，等待着被称为配体的微小化学信使到达并触发反应。这种相互作用并非随机发生在蛋白质的整个表面，而是发生于特定的、通常是隐藏的凹陷或口袋中。寻找这些口袋是设计新药的关键第一步，因为药物必须契合这些空间才能发挥作用。几十年来，科学家们一直试图利用计算机模型来绘制这些位置，但蛋白质本身是杂乱、不规则的形状，难以进行简单的数字化呈现。传统方法通常试图将这些复杂的3D结构强行塞入整齐的块状网格中，就像试图将一块锯齿状的岩石放入一个正方形的盒子里一样。这种方法经常会忽略蛋白质表面的精细细节，或者在蛋白质旋转或改变大小时失效，从而导致对药物结合位置的预测不准确。
一组研究人员现在提出了一种解决这一难题的新方法，从僵化的网格转向一种更具流动性的几何方法。他们开发了一个名为 EquiPocket 的系统，该系统不将蛋白质视为3D图像中的像素集合，而是将其视为一个由连接点组成的网络。在这个模型中，每个原子都是一个节点，而它们之间的化学键则是连接。该系统旨在理解无论蛋白质如何旋转或移动，其形状都保持不变，这种特性模拟了现实世界中物理定律的作用方式。通过专注于蛋白质的表面——即药物会接触到的边缘——该系统收集有关局部几何形状（例如原子之间的角度和距离）的详细信息，而不是仅仅观察粗糙的块状近似值。
研究人员构建的这个系统由三个协同工作的不同部分组成，以理解蛋白质。首先，系统检查表面每个原子的直接邻域，使用虚拟探针来测量周围空间的形状。这使其能够检测出定义结合口袋的微妙曲线和缝隙。其次，它将蛋白质作为一个整体进行观察，分析原子的化学类型及其连接方式，以理解更广泛的结构。最后，它在表面原子之间传递信息，使系统能够学习局部形状是如何组合成更大的结合位点的。为了处理蛋白质在大小上的巨大差异（从小型分子到庞大的结构），团队增加了一个特殊的层，根据给定区域内原子的拥挤程度来调整其关注点。这确保了该系统在处理只有几百个原子的蛋白质和拥有数千个原子的巨型蛋白质时，都能表现得同样出色。
在针对几个标准数据集对现有方法进行测试时，这种新方法展现出了明显的优势。它能够比以往的技术（包括基于3D网格的深度学习技术）更准确地预测结合位点的位置。旧有的基于网格的方法在处理大型蛋白质时经常遇到困难，有时甚至因为蛋白质太大而无法放入其固定的数字盒子中，从而完全找不到结合位点。相比之下，新系统能够自然地适应任何大小的蛋白质。此外，当蛋白质发生旋转时，它也表现得更加可靠，而对于旧模型来说，旋转是一个常见问题，会导致它们根据蛋白质的方向给出不同的答案。研究人员发现，将局部表面细节与全局化学结构相结合至关重要；如果移除其中任何一部分，系统的性能都会显著下降。
研究还表明，该系统不仅可以学习预测结合位点在哪里，还可以预测药物分子接近它的方向。这种额外的几何理解层有助于模型表现得更好，尤其是在处理较小的蛋白质时。虽然该系统比最简单的几何工具需要更多的计算能力，但它仍然比沉重的3D网格方法更快、更高效，在速度和精度之间取得了平衡。这项工作表明，通过尊重蛋白质自然的、不规则的几何形状，并将其视为互连的网络而非静态图像，科学家可以构建出更可靠的药物研发工具。研究人员已经公开了他们的代码，允许他人测试并在此基础上进行开发，以延续这种看待分子世界的新方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。