FABind: Fast and Accurate Protein-Ligand Binding

要約

タンパク質とリガンド間の相互作用をモデル化し、それらの結合構造を正確に予測することは、創薬において重要かつ困難な課題です。
深層学習の最近の進歩は、サンプリング ベースと回帰ベースの手法が 2 つの著名なアプローチとして浮上しており、この課題への対処に有望であることが示されています。
ただし、これらの方法には顕著な制限があります。
サンプリングベースの方法では、選択のために複数の候補構造を生成する必要があるため、効率が低いことがよくあります。
一方、回帰ベースの方法は高速な予測を提供しますが、精度が低下する可能性があります。
さらに、タンパク質のサイズが異なると、適切な結合ポケットを選択するために外部モジュールが必要になることが多く、効率にさらに影響を及ぼします。
この研究では、ポケット予測とドッキングを組み合わせて正確かつ高速なタンパク質-リガンド結合を実現するエンドツーエンドモデル $\mathbf{FABind}$ を提案します。
$\mathbf{FABind}$ には、リガンドに基づいた独自のポケット予測モジュールが組み込まれており、ドッキング ポーズの推定にも利用されます。
このモデルは、予測されたポケットを段階的に統合してタンパク質とリガンドの結合を最適化し、トレーニングと推論の間の矛盾を減らすことでドッキングプロセスをさらに強化します。
ベンチマーク データセットでの広範な実験を通じて、私たちが提案する $\mathbf{FABind}$ は、既存の手法と比較して有効性と効率の点で強力な利点を示しています。
私たちのコードは $\href{https://github.com/QizhiPei/FABind}{Github}$ で入手できます。

要約(オリジナル)

Modeling the interaction between proteins and ligands and accurately predicting their binding structures is a critical yet challenging task in drug discovery. Recent advancements in deep learning have shown promise in addressing this challenge, with sampling-based and regression-based methods emerging as two prominent approaches. However, these methods have notable limitations. Sampling-based methods often suffer from low efficiency due to the need for generating multiple candidate structures for selection. On the other hand, regression-based methods offer fast predictions but may experience decreased accuracy. Additionally, the variation in protein sizes often requires external modules for selecting suitable binding pockets, further impacting efficiency. In this work, we propose $\mathbf{FABind}$, an end-to-end model that combines pocket prediction and docking to achieve accurate and fast protein-ligand binding. $\mathbf{FABind}$ incorporates a unique ligand-informed pocket prediction module, which is also leveraged for docking pose estimation. The model further enhances the docking process by incrementally integrating the predicted pocket to optimize protein-ligand binding, reducing discrepancies between training and inference. Through extensive experiments on benchmark datasets, our proposed $\mathbf{FABind}$ demonstrates strong advantages in terms of effectiveness and efficiency compared to existing methods. Our code is available at $\href{https://github.com/QizhiPei/FABind}{Github}$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google