AIDD系列（1）——Equibind蛋白质与小分子结合点位预测模型

目录

前言

Equibind数据处理

Local Coordinate System

Relative Position Edge Features

Relative Orientation Edge Features

Distance-Based Edge Features

Surface Aware Node Features

处理流程：

Protein_file_process

Ligand_file_process

1-pocket_and_rec_coords.pt

2-rec_graphs.pt

3-lig_graphs_rdkit_coords.pt

4-geometry_regularization.pt（配体文件）

5-geometry_regularization_ring.pt

Equibind模型部分

模型输入

配体图：

受体图：

配体几何图：

模型结构

IEGMN（等变图匹配网络）

E3-Equivariance Multi-head attention

旋转与平移矩阵

模型输出

---

前言

本篇主要根据原始论文以及代码进行简单介绍，如有不对之处，还请留言指出。

附论文地址：[2202.05146v4] EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction (arxiv.org)

上图展示了EquiBind的模型架构。简单来说，该方法利用E(3)等边网络生成配体和受体上的结合关键点，然后在三维空间中对这些点进行匹配来确定结合模式。同时，该网络还能够对配体的三维结构进行变换实现小分子柔性对接。

Equibind数据处理

Local Coordinate System

是原子指向原子的向量；是原子指向原子的向量；

是垂直于和的向量；是垂直于和的向量

那么、和两两垂直，构成了一个局部坐标系

Relative Position Edge Features

边特征，代表相对于的相对位置

$$ p_{j \to i} = \begin{bmatrix} n_i^\intercal \\ u_i^\intercal \\ v_i^\intercal \end{bmatrix} \begin{bmatrix} x_j - x_i\end{bmatrix} $$

Relative Orientation Edge Features

边缘特征、和