Improving Docking Power for Short Peptides Using Random Forest.
Improving Docking Power for Short Peptides Using Random Forest.
复制标题
DOI：
10.1021/acs.jcim.1c00573
复制
发表时间：
2021-06-28
影响因子：
5.6
通讯作者：
Lis E
中科院分区：
文献类型：
--
作者：
Sanner MF;Dieguez L;Forli S;Lis E
近年来，治疗肽（TP）已经获得了很大的兴趣，如在主要市场上批准作为药物的60种肽和目前在临床试验中的150多种肽所证明的。然而，虽然小分子对接通常用于合理的药物设计工作，但对接肽已被证明具有挑战性，部分原因是为小分子开发和校准的对接评分功能对这些分子表现不佳。在这里，我们提出了随机森林分类器训练，以区分正确对接的肽。我们发现，对于47个蛋白质-肽复合物的测试集，结构上与训练集不同，并且以前用于基准AutoDock维纳对接短肽的能力，这些随机森林分类器将AutoDock评分函数的对接能力从约25%提高到平均约70%。这些结果为肽对接的成功率与小分子对接的成功率相当铺平了道路。为了开发这些分类器，我们编译了ProptPep37_2021数据集，这是一组精心策划的高质量的322种晶体蛋白质-肽复合物，注释了结构相似性信息。该数据集还提供了具有与晶体学姿态的一系列偏差的高质量推定姿态的集合，提供了正确和不正确的姿态（即，诱饵）。ProptPep37_2021数据集以及这里提供的分类器都是免费提供的。
In recent years, therapeutic peptides (TPs) have gained a lot interest as demonstrated by the 60 peptides approved as drugs in major markets and 150+ peptides currently in clinical trials. However, while small molecule docking is routinely used in rational drug design efforts, docking peptides has proven challenging partly because docking scoring functions, developed and calibrated for small molecules, perform poorly for these molecules. Here, we present Random Forest classifiers trained to discriminate correctly docked peptides. We show that, for a testing set of 47 protein-peptide complexes, structurally dissimilar from the training set and previously used to benchmark AutoDock Vina’s ability to dock short peptides, these Random Forest classifiers improve docking power from ~25% for AutoDock scoring functions to an average of ~70%. These results pave the way for peptide-docking success rates comparable to those of small molecule docking. To develop these classifiers, we compiled the ProptPep37_2021 dataset, a curated, high-quality set of 322 crystallographic protein-peptides complexes annotated with structural similarity information. The dataset also provides a collection of high-quality putative poses with a range of deviations from the crystallographic pose, providing correct and incorrect poses (i.e., decoys) of the peptide for each entry. The ProptPep37_2021 dataset as well as the classifiers presented here are freely available.
登录
查看更多内容
影响因子：
3.1
作者：
Chen, XY;Park, R;Conti, PS
通讯作者：
Conti, PS
影响因子：
64.8
作者：
Harris CR;Millman KJ;van der Walt SJ;Gommers R;Virtanen P;Cournapeau D;Wieser E;Taylor J;Berg S;Smith NJ;Kern R;Picus M;Hoyer S;van Kerkwijk MH;Brett M;Haldane A;Del Río JF;Wiebe M;Peterson P;Gérard-Marchant P;Sheppard K;Reddy T;Weckesser W;Abbasi H;Gohlke C;Oliphant TE
通讯作者：
Oliphant TE
影响因子：
5.6
作者：
Ballester PJ;Schreyer A;Blundell TL
通讯作者：
Blundell TL
影响因子：
21.8
作者：
通讯作者：
--
影响因子：
4
作者：
Getz, Jennifer A.;Rice, Jeffrey J.;Daugherty, Patrick S.
通讯作者：
Daugherty, Patrick S.