[论文解读] Pafnucy - A deep neural network for structure-based drug discovery.

Marta M. Stepniewska-Dziubinska, Piotr Zielenkiewicz+1 more|arXiv (Cornell University)|Dec 19, 2017

Computational Drug Discovery Methods参考文献 43被引用 3

一句话总结

Pafnucy 是一种3D卷积神经网络，通过处理蛋白质-配体复合物的3D网格表示来预测配体-受体结合亲和力，对原子进行统一处理。它在 CASF-2016 和 Astex 多样性基准数据集上的表现优于经典打分函数，展现出更优越的虚拟筛选性能。

ABSTRACT

Virtual screening is one of the most successful approaches for augmenting the drug discovery process. Currently, there is a notable shift towards machine learning (ML) methodologies to aid this process. Deep learning has recently gained considerable attention as it allows the model to learn to extract features that are relevant for the task at hand. We have developed a new deep neural network tailored to estimating the binding affinity of ligand-receptor complexes. The complex is represented with a 3D grid, and the model utilizes a 3D convolution to produce a feature map of this representation, treating the atoms of both proteins and ligands in the same manner. Our network was tested on the CASF power benchmark and Astex diverse set and outperformed classical scoring functions. The model, together with usage instructions and examples, is available as a git repository at this http URL

研究动机与目标

• 开发一种深度学习模型，以提高基于结构药物发现中的虚拟筛选准确性。
• 在3D网格空间中为蛋白质和配体原子创建统一表示，以实现端到端学习。
• 在标准基准数据集上预测结合亲和力时，超越传统打分函数。
• 为药物发现社区提供一个公开可用、文档齐全的深度学习工具。

提出的方法

• 该模型使用3D卷积神经网络处理蛋白质-配体复合物的3D网格表示。
• 使用固定的空间分辨率，将蛋白质和配体的原子编码到3D网格中。
• 网络应用3D卷积从网格表示中提取分层空间特征。
• 最后一层基于学习到的特征图输出预测的结合亲和力评分。
• 该架构在基准数据集的标注结合亲和力数据上进行端到端训练。

实验结果

研究问题

• RQ1 3D卷积神经网络能否有效从3D蛋白质-配体复合物表示中学习与结合亲和力预测相关的特征？
• RQ2 在3D网格中对蛋白质和配体原子进行统一处理，是否相比传统方法能提升性能？
• RQ3 该模型在标准基准数据集上与经典打分函数相比表现如何？
• RQ4 该模型能否在药物样化合物的多样化化学和结构环境中实现泛化？

主要发现

• Pafnucy 在 CASF-2016 基准测试中达到最先进水平，优于经典打分函数。
• 该模型在 Astex 多样性数据集上表现出色，该数据集包含多种化学类型，具有挑战性。
• 采用统一原子编码的3D网格表示，实现了蛋白质和配体组分之间的有效特征学习。
• 通过严格的基准测试验证了模型性能，确认其在虚拟筛选任务中的优越性。