Development and evaluation of a deep learning model for protein-ligand binding affinity prediction.
Development and evaluation of a deep learning model for protein-ligand binding affinity prediction.
复制标题
DOI：
10.1093/bioinformatics/bty374
复制
发表时间：
2018-11-01
期刊：
影响因子：
--
通讯作者：
Siedlecki P
中科院分区：
文献类型：
--
作者：
Stepniewska-Dziubinska MM;Zielenkiewicz P;Siedlecki P
基于结构的配体发现是增强药物发现过程的最成功的方法之一。目前，有一个显着的转变，机器学习（ML）方法来帮助这些程序。深度学习最近引起了相当大的关注，因为它允许模型“学习”以提取与手头任务相关的特征。我们开发了一种新的深度神经网络，用于估计配体-受体复合物的结合亲和力。该复合物用3D网格表示，该模型利用3D卷积来生成该表示的特征图，以相同的方式处理蛋白质和配体的原子。我们的网络在CASF-2013“评分能力”基准和Astex Diverse Set上进行了测试，并优于经典的评分函数。该模型以及使用说明和示例可以在http://gitlab.com/cheminfIBB/pafnucy上作为git存储库获得。 补充数据可在Bioinformatics在线获得。
Structure based ligand discovery 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 such procedures. 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 novel deep neural network 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-2013 ‘scoring 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 http://gitlab.com/cheminfIBB/pafnucy. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
5.6
作者：
Durrant JD;McCammon JA
通讯作者：
McCammon JA
影响因子：
18.2
作者：
Gómez-Bombarelli R;Wei JN;Duvenaud D;Hernández-Lobato JM;Sánchez-Lengeling B;Sheberla D;Aguilera-Iparraguirre J;Hirzel TD;Adams RP;Aspuru-Guzik A
通讯作者：
Aspuru-Guzik A
DOI：
10.1093/bioinformatics/btu277
发表时间：
2014-06-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Leung MK;Xiong HY;Lee LJ;Frey BJ
通讯作者：
Frey BJ
影响因子：
5.6
作者：
Li, Yan;Han, Li;Wang, Renxiao
通讯作者：
Wang, Renxiao
影响因子：
5.8
作者：
Jimenez, J.;Doerr, S.;De Fabritiis, G.
通讯作者：
De Fabritiis, G.