入选ICML！人大团队将等变图神经网络用于靶蛋白结合位点预测，性能最高提升20%
内容提要
中国人民大学的研究团队在ICML 2024上发表了一篇题为'EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction'的论文，提出了EquiPocket框架，应用E(3)等变图神经网络解决了基于CNN的方法在配体结合位点预测中的挑战。通过广泛实验证明了EquiPocket在药物发现等任务中的优越性。研究还介绍了AlphaFold3和DeepGlycanSite等其他蛋白质结构预测的深度学习模型，为科学家提供了新的工具。
延伸解读
从CNN到等变GNN：方法演进与优势
文章指出，基于CNN的配体结合位点预测方法需将蛋白质体素化，存在对不规则结构表示不足、对旋转敏感等问题。EquiPocket首次将E(3)等变图神经网络用于该任务，无需体素化，能直接建模不规则蛋白质结构，且对欧氏变换不敏感。实验表明，其性能比先前方法提升10-20%，在多个数据集上优于CNN、图模型等基线。
实验评估：数据集与基线模型
研究使用scPDB、PDBbind等专业数据集，并选取其mlig子集进行评估。基线模型涵盖基于几何的Fpocket、机器学习的P2rank、CNN方法（DeepSite等）、拓扑图模型（GCN等）和空间图模型（SchNet、EGNN）。评估指标包括DCC、DCA和失败率。结果显示，EquiPocket在COACH 420、HOLO4K和PDBbind上均取得最佳性能，验证了其有效性。
模型设计：三大模块协同
EquiPocket由局部几何建模、全局结构建模和表面信息传递三个模块组成。局部几何建模通过表面探针描述每个表面原子的局部几何信息；全局结构建模通过化学图与空间图建模整个蛋白质的原子类型、化学键和空间位置；表面信息传递模块在表面图上进行等变信息传递，更新表面原子特征。这种设计能同时捕获局部几何与全局结构信息。
相关进展：蛋白质-配体及生物大分子结合预测
文章还介绍了AlphaFold3、ULDNA和DeepGlycanSite等模型。AlphaFold3能精确预测蛋白质与配体结合的三维结构，助力药物发现与优化；ULDNA利用蛋白质语言模型和LSTM-Attention预测蛋白质-DNA结合位点，在多个数据集上优于其他方法；DeepGlycanSite基于深度等变图神经网络预测糖结合位点，性能超越先前方法。这些进展表明机器学习正成为理解生命过程和药物研发的重要工具。
Q&A
EquiPocket框架的主要创新点是什么？
EquiPocket框架首次将E(3)等变图神经网络应用于配体结合位点预测，解决了基于CNN方法的多项挑战。
EquiPocket在性能上相比于传统方法有何提升？
实验结果显示，EquiPocket的性能提升在10%到20%之间，优于当前最先进的方法。
EquiPocket框架是如何处理不规则蛋白质结构的？
EquiPocket不需要体素化过程，能够对不规则蛋白质结构进行建模，并对任何欧氏变换不敏感。
该研究使用了哪些数据集进行评估？
研究使用了scPDB、PDBbind、COACH 420和HOLO4K等多个专业数据集进行评估。
EquiPocket框架的结构模块有哪些？
EquiPocket框架由局部几何建模模块、全局结构建模模块和表面信息传递模块三部分组成。
AlphaFold3模型在蛋白质结合位点预测中的作用是什么？
AlphaFold3模型能够精确预测蛋白质与配体结合的三维结构，提升药物发现的效率。
