Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Nature | 深度学习驱动的蛋白-配体表面靶向策略

Nature | 深度学习驱动的蛋白-配体表面靶向策略

作者头像
DrugAI
发布于 2025-02-06 05:25:34
发布于 2025-02-06 05:25:34
1160
举报
文章被收录于专栏:DrugAIDrugAI

蛋白质之间的分子识别事件驱动着生物系统中的生命过程。然而,近年来研究发现,蛋白-蛋白相互作用受小分子调控的机制也在不断被揭示。尽管该领域取得了一定进展,但用于设计新型化学诱导的蛋白相互作用的计算工具仍然面临挑战。本研究中,研究人员提出了一种计算策略,旨在设计可靶向新表面(即由蛋白-配体复合物形成的表面)的蛋白质。该策略采用基于分子表面表示学习的几何深度学习方法,并在实验中验证了三种药物结合的蛋白复合物的结合蛋白。实验结果表明,所有结合蛋白均表现出高亲和力和精准特异性,并通过突变分析和结构表征进行了验证。值得注意的是,最初仅在蛋白质上训练的表面指纹可推广应用于由小分子诱导的新表面,这一发现展示了深度学习方法中罕见的高泛化能力。预计,这类设计的化学诱导蛋白相互作用将有助于拓展分子传感功能,并在合成生物学中推动新型药物可控细胞治疗策略的开发。

蛋白-蛋白相互作用(PPIs)在维持细胞稳态中发挥关键作用,同时也涉及多种疾病。因此,近年来开发了多种靶向PPIs的疗法,并提出了计算工具用于设计新型蛋白相互作用。然而,由于几何和化学互补性、动态特性及溶剂效应等因素的复杂交互,使得预测和设计新的PPIs仍具挑战性,尤其是在缺乏进化约束的情况下。此外,天然PPIs受别构调控、翻译后修饰或直接配体结合等因素影响。其中,化合物结合形成的"新表面"(neosurfaces)是一类特殊的分子识别实例,即使蛋白结合位点的微小变化也可能显著影响亲和力。随着分子胶等新型药物模式的发展,这类相互作用在靶向蛋白降解等领域展现出广阔的应用前景。

合成生物学中,基于小分子诱导的新表面已被用于构建精确时空可控的化学响应系统。小分子触发因子不仅可用于诱导或破坏PPIs,还可作为“开关”调控细胞功能,因其易于给药、细胞渗透性强、亲和力高等优势,在转录调控、蛋白降解、蛋白定位等多个领域得到应用。尽管已有多种可化学破坏的异源二聚体(OFF-switch)系统,但由于新表面建模的复杂性,计算设计的化学诱导二聚化(CID, ON-switch)系统仍面临挑战。现有方法主要依赖实验手段,或基于已知异源二聚体界面移植药物结合位点,或通过蛋白对接和界面优化实现,但这些方法可能存在自发二聚化风险、缺乏适合的支架蛋白,或需大量体外优化。

本研究基于几何深度学习框架MaSIF(分子表面相互作用指纹)提出了一种新策略,探索其在无额外训练数据的情况下,能否泛化到小分子配体。通过识别蛋白-小分子复合物形成的新表面,研究人员设计了特定位点结合蛋白,成功构建了全新的配体依赖性蛋白相互作用。尽管现有工具在预测和设计配体-蛋白相互作用方面表现良好,但在全新三元复合物的设计上仍存在局限。研究人员成功设计并表征了三种药物诱导的蛋白结合物,包括靶向Bcl2-venetoclax、DB3-progesterone和PDF1-actinonin复合物,并验证了其在体外及细胞环境中的适用性。该方法的提出不仅拓展了合成生物学中的工具箱,也为新型可调控治疗策略的开发提供了新的思路。

MaSIF 识别的新表面特征

几何深度学习框架 MaSIF 中,研究人员此前开发了两个应用:(1) MaSIF-site,用于精准预测蛋白表面具有高界面形成潜力的区域;(2) MaSIF-search,用于基于互补表面片段快速搜索并对接蛋白互作伙伴。在 MaSIF-search 中,我们提取表面片段的指纹特征,使得几何和化学特性互补的片段具有相似的指纹,而非互作片段则具有较低的指纹相似度。通过计算欧几里得距离进行超快速初步搜索,随后对低距离片段进行三维对齐,并利用**界面后对齐评分(IPA score)**进一步筛选优化。

最初,MaSIF 仅考虑蛋白表面的标准氨基酸,不支持小分子、糖类或其他配体。因此,研究人员提出MaSIF-neosurf,将小分子纳入目标蛋白的分子表面表示,以预测基于新表面指纹(neosurface fingerprints)的界面和互作伙伴。MaSIF 最初是基于生物分子表面的一般化学和几何特性进行训练,并不依赖底层结构,因此不仅适用于蛋白表面,也应当能够识别由非蛋白表面形成的特征。在生成蛋白-配体复合物的分子表面后,MaSIF-neosurf 计算两种几何特征:形状指数和距离依赖曲率,以及三种化学特征:泊松-玻尔兹曼静电势、氢键供受体倾向性和疏水性,其中后两者经过优化以更精准地刻画小分子的化学特性。

为了评估 MaSIF-neosurf 的能力,研究人员在多个由蛋白和配体界面组成的三元复合物上进行了基准测试。研究人员筛选了 14 种小分子诱导的蛋白复合物,并将每个复合物拆分为两个子单元,共得到 28 组测试案例,分别处理包含和不包含小分子的情况。无配体的蛋白表面与 8,879 种 PPI 相关蛋白组成了数据库,并通过所有 28 组蛋白-配体复合物的表面片段进行查询。由于每个蛋白候选分解为平均近 4,000 个表面片段,该数据库包含超过 3,500 万个潜在结合位点。研究人员评估了 MaSIF-neosurf 是否能检索到正确的结合伙伴,并在正确的刚体取向下完成对接。

当蛋白-配体复合物作为对接伙伴时,MaSIF-neosurf 成功识别并复现了超过 70%(20 组)正确的结合伙伴及其结合构象,而最新的 RoseTTAFold All-Atom 仅恢复了14%(4 组)。此外,仅在少数测试案例中,去除配体仍能成功识别结合伙伴,通常在这些情况下,蛋白表面本身对相互作用的贡献较大。通过计算指纹特征的距离评分(即互补性增强)和 IPA 评分,研究人员发现小分子配体的加入显著提升了界面匹配度,进一步验证了 MaSIF-neosurf 对新表面特征的识别能力。此外,尽管几何和化学特征均对 MaSIF 的性能至关重要,但在去除单个特征输入时,整体效果影响较小,可能由于特征间存在一定程度的冗余。总体而言,MaSIF-neosurf 成功捕捉了小分子介导的蛋白相互作用中的关键因素。

为了进一步验证其能力,研究人员尝试全新设计此类相互作用,并探索其在蛋白工程和药物研发中的潜在应用。

设计新型配体诱导的蛋白-蛋白相互作用

近期,研究人员提出了 MaSIF-seed 流程,用于 全新位点特异性蛋白结合物的设计。在该方法在多种治疗靶点上展现出优异性能的基础上,研究人员进一步探索其是否能泛化应用于由配体和蛋白原子组成的新表面(neosurfaces)。这一研究不仅解决了化学可控蛋白相互作用的设计挑战,也加深了对新表面介导的分子识别机制的理解。为此,研究人员对 MaSIF-seed 进行了改进,使其适配MaSIF-neosurf 框架(图 2a)。

计算蛋白-配体复合物的新表面后,研究人员首先使用 MaSIF-site 识别界面中最可能埋藏的区域。接着,利用大规模指纹搜索,在包含约 64 万个结构片段(4.02 亿个表面片段/指纹特征)的数据库中,筛选具有高互补性的结构基序(binding seeds)。这种方法可快速缩小搜索空间,仅保留最具潜力的候选结合基序。随后,研究人员使用 Rosetta 对顶级候选种子进行序列优化,并将其移植至适合的受体蛋白(scaffold)以稳定结合基序。最后,研究人员进一步优化序列,以增强界面原子接触,提高结合稳定性。

基于此流程,研究人员成功设计了靶向不同家族的配体结合蛋白的配体依赖性蛋白结合物,包括:

  • Bcl2–venetoclax(靶向 Bcl2 的临床获批药物)
  • DB3–progesterone(抗孕激素抗体 DB3 及其配体)
  • PDF1–actinonin(绿脓杆菌 PDF1 蛋白及抗生素 actinonin)

研究人员首先利用 MaSIF-neosurf 评估这些新表面在界面形成中的作用,并依据配体暴露的溶剂可及表面积选择 1-3 个关键界面片段(图 2b)。随后,研究人员在种子数据库中搜索互补指纹,筛选出排名前列的种子(每个目标约 100-120 个),并将其移植至多个受体蛋白上。最终,研究人员结合计算筛选生成约 2,000 种设计方案(图 2c),涵盖多种α螺旋、β折叠结合基序,并探索了广泛的序列与拓扑结构空间。所有入选设计均在配体存在情况下,表现出增强的界面结构指标(如预测结合能、埋藏表面积及原子接触数量),验证了其对新表面的有效结合能力(图 2c)。

讨论

大多数基于深度学习的蛋白设计流程主要依赖天然氨基酸序列,因此在涉及小分子的相互作用设计上缺乏泛化能力。这一局限主要源于蛋白-配体结构数据的稀缺,特别是三元复合物在现有蛋白数据库(PDB)中的数量极少。基于分子表面物理和化学特征的几何深度学习方法能够突破这些限制,为蛋白-小分子复合物提供联合表示。由此形成的新表面(neosurfaces)能够捕捉通用的分子特征,从而实现针对这些杂合界面的蛋白结合物设计。

本研究中,研究人员利用 MaSIF-neosurf 框架成功设计了靶向 Bcl2–venetoclax、DB3–progesterone 和 PDF1–actinonin 复合物的特异性结合蛋白。这些结合物在纯计算生成的情况下,即展现出高稳定性、高特异性及接近天然亲和力的结合能力。实验优化后,其亲和力达到了纳摩尔级,并通过突变分析和结构表征确认了其结合模式,验证了设计流程的准确性。此外,研究人员的管线能够精准识别小分子在蛋白相互作用中的关键作用,即便其贡献仅占埋藏溶剂可及表面积的 10–12%,这一敏感性为高灵敏度的化学诱导二聚体(CID) 设计提供了新的可能性。

为评估所设计 CID 系统 的功能性,研究人员在复杂细胞环境中测试了其效率和特异性。结果显示,这些系统在细胞质和膜结合回路中均展现出稳定的 ON-switch 行为,表明其在哺乳动物系统中的广泛适用性,包括逻辑门、合成生物回路或代谢物检测生物传感器。此外,研究人员选择的配体,包括FDA 批准的抗白血病药物 venetoclax、具有潜在抗癌作用的天然产物 actinonin 和内源性激素 progesterone,可用于结合 CAR-T 细胞治疗以降低脱靶毒性。未来,通过合成小分子激活剂,可进一步精确调控其活性,提高安全性。

尽管蛋白-配体特异性相互作用的设计仍具挑战性,本研究奠定了进一步创新的基础。相比于抗体筛选等实验方法,深度学习工具可精确控制结合位点、蛋白形状、折叠方式、大小及热稳定性,提供更丰富的设计模式。然而,仍然存在若干挑战。例如,现有深度学习结构预测方法(如 RoseTTAFold)未能准确预测研究人员的复合物,而 AlphaFold3 虽然在蛋白-配体复合物预测中表现良好,但其适用范围有限,制约了药物与蛋白设计领域的进一步突破。基于表面指纹的策略可能成为靶向新表面的有效替代方案。

尽管本研究取得了一系列进展,研究人员仍在 BRD4–JQ1 复合物 上遭遇失败,可能由于配体柔性较高,导致设计的结合物在计算评估指标上表现不佳。此外,大多数深度学习方法(包括本研究)在 疏水界面 上表现优异,但在极性界面的建模仍面临显著挑战。

总体而言,研究人员预计 基于表面的分子表示 方法将在低数据环境下为分子设计问题提供解决方案,如非天然氨基酸蛋白设计。此外,从蛋白-配体复合物中提取高表达力的指纹特征,为 创新药物模式 的合理设计提供了可能性,包括按需细胞治疗、可控生物制剂 及分子胶 等,推动药物开发的前沿突破。

整理 | WJM

参考资料

Marchand, A., Buckley, S., Schneuing, A. et al. Targeting protein–ligand neosurfaces with a generalizable deep learning tool. Nature (2025).

https://doi.org/10.1038/s41586-024-08435-4

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-02-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DrugAI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
2019年12月,洛桑联邦理工学院和瑞士生物信息研究所的研究者在nature methods上提出使用分子表面的化学和几何指纹,来预测蛋白质和其他分子间的相互作用。
DrugAI
2021/02/02
1.6K0
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
榕树集-蛋白质表面指纹(MaSIF)
分子指纹考虑了结构特征,但是这些结构无序,并么有空间上的相对位置信息,其最后多用谷本系数计算相似性。
DrugScience
2023/05/24
8770
榕树集-蛋白质表面指纹(MaSIF)
J. Cheminform. | 蛋白-蛋白(PPI)界面感知的分子生成框架用于PPI调节剂设计
蛋白–蛋白相互作用(PPIs)在众多生化和生物学过程中扮演着至关重要的角色。尽管已有多种基于结构的分子生成模型问世,PPI界面及其靶向化合物相较于传统的结合位点和小分子药物却表现出独特的物理化学性质。因此,针对PPI界面,特别是考虑PPI复合物或界面热点残基设计有效的靶向化合物,依然是一项重大挑战。2024年12月20日发表在Journal of Cheminformatics的研究论文《Interface-aware molecular generative framework for protein–protein interaction modulators》提出了一种全新的基于结构的分子生成框架,专门用于靶向PPI界面的分子设计。这项研究中,研究人员构建了一个涵盖活性和非活性化合物与PPI界面数据对的综合数据集。基于此数据集,提出了面向PPI界面的分子生成框架,命名为 GENiPPI。研究结果显示,GENiPPI 能够捕捉PPI界面与活性分子之间的潜在关系,并生成新颖且能够靶向这些界面的化合物。同时,GENiPPI 在有限的PPI界面调节剂条件下,依然能够生成结构多样性丰富的化合物。值得注意的是,这是首个专注于PPI界面的基于结构的分子生成模型,其设计思路有望显著推动PPI调节剂的研发。这一基于PPI界面的分子生成框架不仅拓宽了现有基于结构(结合位点/界面)分子生成模型,也为靶向PPI界面的药物开发提供了新思路。
DrugAI
2024/12/23
1770
J. Cheminform. | 蛋白-蛋白(PPI)界面感知的分子生成框架用于PPI调节剂设计
Nat. Commun. | 面向靶蛋白降解的SE(3)等变三元复合物结构预测
靶向蛋白降解(TPD)是一种可用于处理传统方法难以抑制的“不可成药”靶标的新兴策略。该策略通过PROTACs(蛋白水解靶向嵌合体)或分子胶(MGD)小分子,引导靶蛋白与E3泛素连接酶形成三元复合物,进而诱导靶蛋白降解。然而,三元复合物结构的缺乏成为限制降解剂理性设计的主要障碍。为此,研究人员开发了DeepTernary——一种端到端的深度学习框架,结合SE(3)等变编码器与基于查询的解码器,可高效准确地预测此类三元结构。该模型在经过精心筛选的TernaryDB数据库上训练,在无需暴露任何已知PROTAC数据的前提下,于PROTAC基准测试中取得了当前最佳性能,并在MGD基准中展现出良好的泛化能力。进一步分析表明,其预测结构的埋藏表面积(BSA)与实验测得的降解能力指标具有相关性。总体而言,DeepTernary为靶向蛋白降解药物的结构预测与设计提供了有力工具。
DrugAI
2025/07/12
870
Nat. Commun. | 面向靶蛋白降解的SE(3)等变三元复合物结构预测
J. Chem. Inf. Model. | 基于序列和基于结构的蛋白质-配体相互作用机器学习方法
开发新药既昂贵又耗时。准确预测药物和靶标之间的相互作用可能会改变药物的发现方式。基于机器学习的蛋白质-配体相互作用预测已经显示出巨大的潜力。本文重点对基于序列和基于结构的蛋白质-配体相互作用机器学习方法进行了总结。因此,本文首先概述了该领域应用的数据集,以及用于表示蛋白质和配体的各种方法。然后,利用基于序列和基于结构的分类标准对经典机器学习模型和深度学习模型进行分类和总结,用于蛋白质-配体相互作用的研究。此外,还提出了这些模型的评价方法和可解释性。此外,深入探讨了蛋白质-配体相互作用模型在药物研究中的各种应用。最后,讨论了该领域目前面临的挑战和未来的发展方向。
DrugAI
2024/03/07
1.1K0
J. Chem. Inf. Model. | 基于序列和基于结构的蛋白质-配体相互作用机器学习方法
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
蛋白-蛋白相互作用 (protein-protein interaction, PPI) 是生物体调控各类生命活动的重要基础,在信号传导、细胞增殖、细胞死亡等病理生理过程中发挥重要作用。据统计,在人类中有大约有 65 万种 PPI,这些 PPI 在细胞中形成一个复杂的网络 (又被称为相互作用组),以调控各类蛋白质的生物活性。
MedChemExpress
2024/06/27
1860
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
基于结构的药物设计与几何深度学习
本文介绍一篇来自于苏黎世联邦理工大学的Gisbert Schneider等人的关于几何深度学习的综述《Structure-based Drug Design With Geometric Deep Learning》。
DrugAI
2022/11/28
1.2K0
基于结构的药物设计与几何深度学习
Briefings in Bioinformatics | 用于PPI抑制剂设计的深度分子生成模型
作者构建了一个蛋白质-蛋白质相互作用(PPI)靶向药物相似性数据集,并提出了一个首次用于PPI抑制剂设计的深度分子生成框架,从种子化合物的特征生成新的类药性分子。该框架使用与PPI抑制剂相关的关键特征作为输入,并为PPI抑制剂的从头分子设计开发深度分子生成模型。首次将针对PPI的抑制剂的定量类药性指标QEPPI用于PPI靶向化合物的分子生成模型的评估。结果表明生成的分子具有较好的PPI靶向药物的类药性。此外,通过化学空间分析,生成的分子与iPPI-DB抑制剂共享化学空间。
DrugAI
2022/11/28
5720
Briefings in Bioinformatics | 用于PPI抑制剂设计的深度分子生成模型
Drug Discov Today|配体-蛋白的分子对接中的机器学习
2021年9月21日,Drug Discovery Today杂志在线发表文章,文章概述和讨论了配体-蛋白的分子对接中机器学习(尤其是深度学习)的应用。
智药邦
2021/11/10
1.7K0
Drug Discov Today|配体-蛋白的分子对接中的机器学习
MCE | LYTAC 与靶向蛋白降解技术
靶向蛋白降解(TPD)是一种有效性的,高度选择性的诱发蛋白降解方式。近年来,以 PROTAC 为代表的 TPD 技术的研究如火如荼。PROTAC 主要降解的是胞内蛋白,实际上,有 40% 的基因产物为胞外和膜相关蛋白,如生长因子、细胞因子和趋化因子,它们在多种疾病 (如癌症和炎症)中引发异常信号传导。那么,有没有一种诱导胞外蛋白降解的技术来弥补 PROTAC 的这一局限呢?
MedChemExpress
2023/03/16
4770
MCE | LYTAC 与靶向蛋白降解技术
CADD筛选PROTAC新思路:利用非马尔科夫动力学模型发现亚稳态蛋白-蛋白界面
PROTAC(Proteolysis Targeting Chimeras)是一种新型靶向蛋白降解技术,通过设计双功能小分子来诱导特定蛋白质(protein of interest, POI)的降解。PROTAC分子由三个关键部分组成:能够与目标蛋白结合的靶蛋白配体,连接子,与E3泛素连接酶结合的E3配体。 PROTAC可以诱导靶标蛋白POI与E3连接酶形成三元复合物,从而促进POI被泛素化而被识别降解 (图1)。由于其拥有不需要与POI的活性位点结合,且可以采用催化机理被循环利用等优势,为治疗难以用传统药物靶向的疾病(如癌症)提供了新的思路,尤其在靶向“不可成药”蛋白质方面显示出潜力。
智药邦
2024/10/08
2160
CADD筛选PROTAC新思路:利用非马尔科夫动力学模型发现亚稳态蛋白-蛋白界面
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
理解蛋白-配体相互作用是分子生物学和生物化学的基础。从酶催化到信号传导,这些相互作用构成了众多细胞过程的核心。对蛋白-配体相互作用的深入理解对基于结构的药物设计至关重要,研究人员可以据此发现或设计与特定蛋白质结合的配体。基于人工智能(AI)技术,我们能更精准地理解蛋白-配体相互作用,加速药物发现的进程。人工智能与生命科学的交叉正在改变人类健康和医学研究的格局,为疾病研究和靶向治疗药物开发开辟新的途径。
DrugAI
2024/11/29
2410
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
太全面了!顶刊综述教你如何从 PPIs 角度研究癌症 | Nat.Rev.Cancer
◉ a–c,肿瘤驱动基因AKT1(a)、PIK3CA(b)和IDH1(c)中的热点突变在相关蛋白质结构上显示出来。翻译为表面暴露残基的氨基酸替换突变在相关晶体结构上进行了注释和标记(蛋白质数据库(PDB)ID:4EJN(AKT1),7PG5(PIK3CA)和5YFN(IDH1))。主要突变在晶体结构上以红色突出显示并标记。◉ AKT1中的E17K替换导致增强的质膜关联和mTORC1信号传导,促进乳腺癌细胞的增殖和生长(a)。同一个驱动基因中的多个热点突变可以存在于不同的结构域中,导致多条通路的改变(b)。◉ PIK3CA在螺旋结构域内的E542或E545处的替换突变以RAS依赖的方式促进宫颈癌和头颈癌的生长。在激酶结构域内,H1047R突变通过增强膜募集促进RAS非依赖性PIK3CA激活,从而促成乳腺癌转移。◉ 同一热点位置的不同替换可能对蛋白质结构和生化活性产生相似或不同的影响(c)。由突变引起的IDH1(R132C)通过R132C上调的新酶活性促进急性髓系白血病(AML)和其他携带R132C癌症的肿瘤发生,并大幅增加R(2)-2-羟基戊二酸(2HG)致癌代谢物。◉ 相反,IDH1(R132H)突变是胶质瘤中最常见的突变,与抑制细胞增殖和下调WNT–β-catenin信号传导有关,导致侵袭性较低的表型。这些图谱是使用cBioPortal基于癌症基因组图谱泛癌图谱数据创建的。PIP3,磷脂酰肌醇3,4,5-三磷酸。
生信菜鸟团
2025/03/28
1800
太全面了!顶刊综述教你如何从 PPIs 角度研究癌症 | Nat.Rev.Cancer
Cell | 蛋白质-蛋白质相互作用的发现及其在健康与疾病中的重要意义
蛋白质-蛋白质相互作用(PPIs)的研究始于40多年前,通过蛋白质亲和层析和抗体共免疫沉淀等方法逐步展开。随着技术的进步,PPIs的分析从单个相互作用扩展到基因组范围,得益于细胞内标记技术、亲和纯化-质谱(AP-MS)以及共分级质谱(CF-MS)的应用。目前,结合交联质谱(XL-MS)和冷冻电子显微镜(cryo-EM)等方法,可以更精确地区分直接和间接的蛋白质相互作用。这些先进技术,加上人工智能工具(如AlphaFold)的应用,预示着未来对PPIs及蛋白质复合物的深入理解将为基础生物学和疾病研究带来全新洞见。
DrugAI
2024/11/26
3740
Cell | 蛋白质-蛋白质相互作用的发现及其在健康与疾病中的重要意义
入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%
中国人民大学高瓴人工智能学院的研究团队首次将 E(3) 等变图神经网络 (GNN) 应用于配体结合位点预测,提出名为 EquiPocket 的框架,有助于药物发现等各种下游任务。
HyperAI超神经
2024/07/17
2450
入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%
Cell | 蛋白质-蛋白质相互作用在健康和疾病中的发现及其意义
生信菜鸟团
2024/11/23
2750
Cell | 蛋白质-蛋白质相互作用在健康和疾病中的发现及其意义
Drug Discov Today | 利用系统的蛋白质-配体相互作用指纹图谱进行药物发现
2022年7月16日,来自弗吉尼亚大学数据科学学院和生物医学工程系的Philip E.Bourne和Zheng Zhao等人在Drug Discovery Today上发表文章,作者回顾了系统的蛋白质-配体相互作用指纹(IFP)方法在药物开发方面的最新进展和成功应用。
智药邦
2022/11/16
8650
Drug Discov Today | 利用系统的蛋白质-配体相互作用指纹图谱进行药物发现
基于质谱的蛋白质组学在加速药物发现中的新角色
蛋白质是大多数药物的靶点,目前,通过将新的生化方法与基于质谱的蛋白质组学相结合,能够从全新的维度对疾病表型及其生物活性分子的调节机制进行剖析。最近,德国慕尼黑马克斯普朗克生化研究所(Max Planck Institute of Biochemistry)等研究团队在Nature Reviews Drug Discovery上发表了题为The emerging role of mass spectrometry-based proteomics in drug discovery的综述文章。
智药邦
2022/11/16
6940
基于质谱的蛋白质组学在加速药物发现中的新角色
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
2022年5月30日,以色列特拉维夫大学Blavatnik计算机科学学院的Haim J. Wolfson等人在Nat Methods杂志发表文章,提出了一种可解释的深度学习模型,该模型直接从原始数据中学习具有功能的结构基序 (motifs),从而可以将蛋白质结合位点和抗体表位准确地映射到蛋白质结构上。
智药邦
2022/06/08
4.7K0
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
JCIM | 使用深度学习进行基于结构的从头药物设计
2021年11月18日,JCIM杂志发表文章,介绍了一种利用靶蛋白结合位点的图形表示,来为靶蛋白设计新的小分子的深度学习方法。
智药邦
2021/12/06
9310
JCIM | 使用深度学习进行基于结构的从头药物设计
推荐阅读
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
1.6K0
榕树集-蛋白质表面指纹(MaSIF)
8770
J. Cheminform. | 蛋白-蛋白(PPI)界面感知的分子生成框架用于PPI调节剂设计
1770
Nat. Commun. | 面向靶蛋白降解的SE(3)等变三元复合物结构预测
870
J. Chem. Inf. Model. | 基于序列和基于结构的蛋白质-配体相互作用机器学习方法
1.1K0
科研助攻 | 一文讲清:如何破解 PPI 靶点成药难题 | MedChemExpress (MCE)
1860
基于结构的药物设计与几何深度学习
1.2K0
Briefings in Bioinformatics | 用于PPI抑制剂设计的深度分子生成模型
5720
Drug Discov Today|配体-蛋白的分子对接中的机器学习
1.7K0
MCE | LYTAC 与靶向蛋白降解技术
4770
CADD筛选PROTAC新思路:利用非马尔科夫动力学模型发现亚稳态蛋白-蛋白界面
2160
Nat. Methods | SurfDock:利用表面信息的扩散生成模型实现蛋白质-配体复合物结构精准预测
2410
太全面了!顶刊综述教你如何从 PPIs 角度研究癌症 | Nat.Rev.Cancer
1800
Cell | 蛋白质-蛋白质相互作用的发现及其在健康与疾病中的重要意义
3740
入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%
2450
Cell | 蛋白质-蛋白质相互作用在健康和疾病中的发现及其意义
2750
Drug Discov Today | 利用系统的蛋白质-配体相互作用指纹图谱进行药物发现
8650
基于质谱的蛋白质组学在加速药物发现中的新角色
6940
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
4.7K0
JCIM | 使用深度学习进行基于结构的从头药物设计
9310
相关推荐
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档