AtomNet

论文链接：

摘要

深度卷积虽被应用于基于QSAR和配体的生物活性预测的药物发现，但是目前没有模型得益于卷积网强大的结构学习能力，所以这里提出AtomNet，是第一个以结构为基础，针对药物开发的预测小分子活性的卷神经网络。模型运用了卷积局部和层次特征，对生物活性和化学相互作用进行建模。我们发现atomNet局部卷积过滤器的应用成功的为目标预测出了新的活性分子。

数据集

• DUDE
• ChEMBL-20 PMD

模型

输入表示

• 输入：放置在定向1A方向的3D网格的靶向蛋白与小分子的共复合体（用一种flooding 算法生成https://www.sciencedirect.com/science/article/abs/pii/S1093326398000023#aep-keywords-id8）。
• 第二，我们把co-complex（共复合体）的坐标移到一个以结合点质心为原点的三维笛卡儿系。
• 第三，从结合位点的凹处采样出多个位置点
• 第四，裁剪一个合适的几何数据，去适合一个边界框。
• 第五，我们将输入数据转换成一个1A方向间距的固定尺寸网格。每个网格单元持有一个值，该值表示该位置的一些基本结构特征，基本的结构特征可以从简单的原子类型枚举到更复杂的蛋白质配体描述符，如SPLIF [31]，SIFt[32]，或APIF[33]。最后，我们将三维网格展开成一维浮点向量。

网络结构

• 输入：使用上面设计的输入
• 中间层：用一系列的卷积层128 × 5 3 , 256 × 3 3 , 256 × 3 3 , 256 × 3 3 (number of filters × filer-dimension)，接着两个具有1024个隐含单元的全连接层，最后用逻辑回归，计算两个类别。
• 输出：两类，有无活性

模型训练

带AdaDelta 自适应学习方法的随机梯度下降算法，负反馈传播，mini-batches=768

baseline 方法比较

• Smina(Lessons learned in empirical scoring with smina from the csar 2011 benchmarking exercise)
• autoDock Vina(Lessons learned in empirical scoring with smina from the csar 2011 benchmarking exercise,)

结果

有种特殊的方法可以将过滤器可视化为下面的3D图像，进而促进对分子作用的理解。