论文解读:DeepSurf:一种基于表面的深度学习方法预测蛋白质上的配体结合位点
期刊:Bioinformatics
中科院分区;Q1
影像因子:6.937
发表日期:2021.6.20
一、摘要
背景:了解蛋白质上潜在的可药物结合部位是发现新药的重要的初步步骤,通过跟踪深度学习领域最近的重大进展并利用适当数据的日益增加的可用性,可以促进对这些领域的计算预测。
方法:本文提出了一种新的预测潜在结合位点的计算方法,称为DeepSurf。DeepSurf结合了基于表面的表示,其中在蛋白质的表面放置了许多3D体素网格,以及最先进的深度学习架构。
结果:在接受了scPDB大型数据库的培训后,DeepSurf在三个不同的测试数据集上展示了卓越的结果,超过了所有主要的基于深度学习的竞争对手,同时获得了一系列传统的非数据驱动方法的竞争性能。
结论:在与三个不同的完整结构和载脂蛋白结构的数据集上,DeepSurf与一组竞争的深度学习方法进行了比较,结果表明DeepSurf在定位和重叠精度方面都优于竞争的方法。尽管它在重叠精确度上占据主导地位,但所获得的值仍然相当小,证明提取理想形状的结合位点仍然是一个悬而未决的问题。与许多非数据驱动的方法相比,DeepSurf也获得了具有竞争力的结果。
二、数据集与方法
数据集:数据来自scPDB数据库,它是蛋白质数据库中不断更新的配体位点的结合。这些结合位点由蛋白质和药物配的结合。3个数据集:COACH420, the HOLO4K和apo/holo 子集
方法:使用残基网络家族中的ResNetcaiyongle 采用了18层的ResNet