作者 | 赵晏浠 编辑 | 龙文韬
论文题目
Improved drug–target interaction prediction with intermolecular graph transformer
论文摘要
识别目标蛋白的活性结合药物（称为药物-目标相互作用预测）是虚拟筛选的关键挑战，在药物发现中起着至关重要的作用。尽管最近基于深度学习的方法取得了比分子对接更好的性能，但现有的模型往往忽略了分子间的拓扑或空间信息，阻碍了预测性能。我们认识到这一问题，并提出了一种新的方法，称为分子间图变换器（IGT），它采用了一种专门的关注机制，以基于三向变换器的架构来模拟分子间信息。在结合活性和结合姿势预测方面，IGT比最先进的（SoTA）方法分别高出9.1%和20.5%，并对未见过的受体蛋白表现出比SoTA方法更好的泛化能力。此外，IGT对严重急性呼吸道综合征冠状病毒2表现出很好的药物筛选能力，识别出83.1%的活性药物，这些药物已经通过湿式实验室实验验证，预测的结合位置接近原位。
论文链接
https://doi.org/10.1093/bib/bbac162
github链接
https://github.com/microsoft/IGT-Intermolecular-Graph-Transformer
