简读分享 | 魏乐松 编辑 | 赵晏浠
论文题目
Pre-Training of Equivariant Graph Matching Networks with Conformation Flexibility for Drug Binding
论文摘要
最新的生物学发现表明,静止的“锁和钥匙”理论并不普遍适用,原子位点和结合姿势的变化可以为理解药物结合提供重要信息。然而,计算开销限制了蛋白质轨迹相关研究的发展,从而阻碍了监督学习的可能性。本文提出了一种基于改进的等变图匹配网络的时空预训练模型,称为 ProtMD,它包含两个自监督学习任务:原子级基于提示的去噪生成任务和构象级快照排序任务,以捕捉分子动力学(MD)轨迹中的信息。ProtMD 中的编码器能够捕获MD内的短期和长期依赖性,生成大于或等于一步的构象。该模型的性能超越以往基于蛋白质3D静态结构信息的AI模型,达到目前最优,证明了蛋白质动态空间信息在蛋白质-小分子亲和力预测问题上的重要性。
论文链接
https://doi.org/10.1002/advs.202203796