Исследователи Стэнфордского университета используют глубокое обучение с помощью GLOW и IVES для преобразования молекулярного докинга и прогнозирования позы связывания лиганда

Степендиаты Стэнфордского университета применяют GLOW и IVES с помощью глубокого обучения для улучшения молекулярного докинга и прогнозирования позы связывания лиганда

Глубокое обучение имеет потенциал улучшить молекулярное докирование путем улучшения функций оценки. Текущие протоколы сэмплирования часто требуют предварительной информации для создания точных поз связывания лиганда, что ограничивает точность функций оценки. Две новые технологии, GLOW и IVES, разработанные исследователями из Университета Стэнфорда, решают эту проблему, демонстрируя улучшенную эффективность сэмплирования поз. Бенчмаркинг на разнообразных белковых структурах, включая созданные AlphaFold, подтверждает эффективность методов.

Глубокое обучение в молекулярном докировании часто основывается на жестких наборах данных для докирования белков, игнорируя гибкость белка. В то время как гибкое докирование учитывает гибкость белка, оно часто менее точно. GLOW и IVES – это продвинутые протоколы сэмплирования, которые решают эти ограничения, превосходя базовые методы, особенно в динамических связывающих карманах. Они позволяют улучшить сэмплирование поз связывания лиганда в молекулярном докировании, что имеет важное значение для повышения точности функций оценки на основе глубокого обучения.

Молекулярное докирование предсказывает размещение лигандов в белковых связывающих сайтах, что является важным для открытия лекарств. Традиционные методы сталкиваются с трудностями в создании точных поз лигандов. Глубокое обучение может повысить точность, но требует эффективного сэмплирования поз. GLOW и IVES улучшают сэмплы для сложных сценариев, повышая точность. Используя нелегированные или предсказанные белковые структуры, включая созданные AlphaFold, они предлагают куратированные наборы данных и открытый исходный код на Python.

GLOW и IVES – это два протокола сэмплирования поз для молекулярного докирования. GLOW использует смягченный потенциал Ван-дер-Ваальса для создания поз лигандов, в то время как IVES повышает точность, включая несколько конформаций белка. Сравнение с базовыми методами показывает превосходство GLOW и IVES. Оценка тестовых наборов измеряет процент правильных поз в кросс-докинговых случаях. Качество начальной позы важно для эффективности IVES, используется оценка стыковки Smina и оценка используемая для выбора.

GLOW и IVES превосходят базовые методы в точном сэмплировании поз лигандов и выделяются в сложных сценариях и на примерах AlphaFold с значительными конформационными изменениями белка. Оценка тестовых наборов подтверждает их высокую вероятность сэмплирования правильных поз. IVES, создающий несколько конформаций белка, обладает преимуществом для геометрического глубокого обучения на белковых структурах, достигая сравнимой производительности с Schrodinger IFD-MD с меньшим количеством конформаций. Наборы данных поз лигандов для 5000 пар белковых связывания, созданные GLOW и IVES, предлагаются в помощь разработке и оценке функций оценки на основе глубокого обучения в молекулярном докировании.

https://arxiv.org/abs/2312.00191

В заключение, GLOW и IVES – это два мощных метода сэмплирования поз, которые доказали свою эффективность по сравнению с базовыми техниками, особенно в сложных сценариях и на примерах AlphaFold. IVES может генерировать несколько конформаций белка, что является очень полезным для геометрического глубокого обучения. Кроме того, наборы данных, предоставленные GLOW и IVES, содержащие позы для 5000 пар белковых связывания, являются ценным ресурсом для исследователей, работающих над функциями оценки на основе глубокого обучения в молекулярном докировании.