最近,基于深度神经网络(DNN)的药物 - 目标相互作用(DTI)模型以高精度突出显示,具有实惠的计算成本。然而,模型在硅药物发现的实践中仍然是一个具有挑战性的问题。我们提出了两项关键策略,以提高DTI模型的概括。首先是通过用神经网络参数化的物理通知方程来预测原子原子对相互作用,并提供蛋白质 - 配体复合物作为其总和的总结合亲和力。通过增强更广泛的绑定姿势和配体来培训数据,我们进一步改善了模型泛化。我们验证了我们的模型,PIGNET,在评分职能(CASF)2016的比较评估中,展示了比以前的方法更优于对接和筛选力。我们的物理信息策略还通过可视化配体副结构的贡献来解释预测的亲和力,为进一步配体优化提供了见解。
translated by 谷歌翻译