一种用于蛋白质-配体亲和力预测的多几何图融合网络

《Physical Chemistry Chemical Physics》：A multi-geometric graph fusion network for protein–ligand affinity prediction

三维几何信息在蛋白质-配体亲和力预测中的重要性及多几何图融合模型MGGNet的研究

　　

蛋白质-配体结合亲和力预测在药物发现中起着关键作用。尽管最近的研究使用二维图神经网络来提高亲和力预测的准确性，但我们发现蛋白质和配体的三维几何信息会显著影响它们的结合机制。然而，现有研究并未充分探索蛋白质和配体的三维空间构象。在本文中，我们介绍了MGGNet，这是一种基于几何图神经网络的多几何图融合模型。MGGNet通过利用三维结构数据来捕捉蛋白质-配体复合物的原子相互作用和空间构象。具体来说，我们对配体和蛋白质口袋区域分别使用异构网络来捕捉非共价相互作用和结合构象，并为每个区域构建独立的同构网络，采用三维信息传递机制。通过结合来自多个坐标系的几何特征，MGGNet能够有效学习共价相互作用和三维空间构象，确保对空间变换的不变性。在公开可用的基准数据集上的实验结果表明，MGGNet的性能优于现有的最先进方法。此外，配体结合热图的可视化进一步突显了MGGNet在蛋白质-配体结合预测方面的生物学相关性。