新突破！之江实验室团队联手百度港科大，开发基于曲率的自适应图神经网络，打造蛋白质-配体结合亲和力预测利器！

2022-12-12 00:39:53

蛋白质-配体结合亲和力预测：揭开药物发现的秘密

引言

了解蛋白质和配体之间的结合亲和力对于药物发现至关重要。为了简化和加速这个过程，图神经网络 (GNN) 应运而生，提供了预测蛋白质-配体结合亲和力的强大方法。在这篇博客中，我们将深入探讨 GNN 在该领域的应用，包括最近开发的一个基于曲率的自适应模型。

蛋白质-配体结合亲和力

蛋白质-配体结合亲和力衡量蛋白质和配体相互作用的强度，这是药物设计和优化的关键因素。传统的预测方法依赖于耗时的分子对接和动力学模拟，而 GNN 提供了一个更有效且准确的解决方案。

图神经网络

GNN 是一种机器学习算法，专为处理图结构数据而设计。蛋白质和配体之间的相互作用可以方便地表示为一个图，节点代表原子，边代表相互作用。GNN 能够利用这些几何特征并学习相互作用的复杂性，从而预测结合亲和力。

基于曲率的自适应 GNN 模型

中国之江实验室、百度和香港科技大学的研究人员合作开发了一个基于曲率的自适应 GNN 模型。该模型利用蛋白质和配体的曲率特征，该特征反映了原子局部环境的弯曲程度。这种方法极大地提高了模型对蛋白质-配体相互作用的捕捉能力。

代码示例

import torch
import torch_geometric as tg

# 加载蛋白质和配体数据
protein = tg.data.Protein()
ligand = tg.data.Ligand()

# 定义 GNN 模型
model = tg.nn.CurvatureAdaptiveGNN(num_layers=3, hidden_dim=128)

# 训练模型
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
for epoch in range(100):
    optimizer.zero_grad()
    loss = model(protein, ligand)
    loss.backward()
    optimizer.step()

# 评估模型
# 使用测试数据集评估模型的性能