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%
💡
原文中文，约5200字，阅读约需13分钟。
📝
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。
🎯
关键要点
- 中国人民大学研究团队在ICML 2024上发表论文，提出EquiPocket框架。
- EquiPocket应用E(3)等变图神经网络，解决基于CNN的配体结合位点预测挑战。
- 结合位点预测在药物发现等任务中具有基础性作用。
- 基于CNN的方法存在对不规则蛋白质结构表示缺陷、旋转敏感等问题。
- EquiPocket不需要体素化过程，能够对不规则蛋白质结构建模。
- 研究通过广泛实验证明EquiPocket在药物发现中的优越性。
- 使用scPDB、PDBbind等多个专业数据集进行评估。
- EquiPocket框架由局部几何建模、全局结构建模和表面信息传递三个模块组成。
- 实验结果显示EquiPocket性能提升10-20%。
- AlphaFold3模型能够精确预测蛋白质与配体结合的三维结构。
- ULDNA模型用于蛋白质-DNA结合位点预测，表现优于其他方法。
- DeepGlycanSite模型能够准确预测蛋白质上的糖结合位点，性能超越之前方法。
- 机器学习为科学家理解生命过程和药物研发提供了新工具。
➡️
