[JCIM | 论文简读] DENVIS:使用具有原子和表面蛋白口袋特征的图神经网络进行可扩展和高通量虚拟筛选

简读分享 | 王宇哲 编辑 | 赵晏浠

论文题目

DENVIS: Scalable and High-Throughput Virtual Screening Using Graph Neural Networks with Atomic and Surface Protein Pocket Features

论文摘要

虚拟筛选的计算方法可以通过识别特定靶点的潜在命中点，极大地加速早期药物发现。传统的分子对接算法使用基于物理的模拟，通过估计查询蛋白配体对的结合方向和相应的结合亲和度评分来解决这一挑战。近年来，经典和现代机器学习架构显示出超越传统对接算法的潜力。然而，大多数基于学习的算法仍然依赖于蛋白质-配体复合体结合位姿的可用性，通常通过分子对接模拟来估计，这导致了整个虚拟筛选过程的严重放缓。在氨基酸序列级别处理目标信息的算法家族以在更高表示级别处理蛋白质数据为代价，避免了这一情况。本文介绍了深度神经虚拟筛选(DENVIS)，一种使用图神经网络(GNNs)进行虚拟筛选的端到端管道。通过在两个基准数据库上进行实验，本文证明了本文的方法与几种基于分子对接的、基于机器学习的以及基于分子对接的与机器学习结合的算法相比具有竞争力。由于避免了中间的分子对接步骤，DENVIS的筛选时间比基于分子对接的和混合模型都要快几个数量级(即更高的吞吐量)。与筛选时间相当的基于氨基酸序列的机器学习模型相比，DENVIS的性能显著提高。我们方法的一些关键元素包括使用原子和表面特征组合的蛋白质口袋建模，模型集成的使用，以及在模型训练期间通过人工负采样的数据增强。总之，DENVIS实现了最先进的虚拟筛选性能，同时提供了利用最小计算资源扩展到数十亿分子的潜力。

论文链接

https://pubs.acs.org/doi/10.1021/acs.jcim.2c01057