VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification

要約

リガンドが結合する可能性のあるタンパク質内またはタンパク質周囲の領域を特定できることは、新薬を開発するために不可欠なステップです。
結合部位の同定方法は、タンパク質構造データベース内の大量の 3D 構造の利用可能性、または AlphaFold 予測から利益を得ることができるようになりました。
現在の結合部位の同定方法は、通常、E(3) 等変予測を出力するように設計されたグラフ ニューラル ネットワーク (GNN) に大きく依存しています。
このような方法は、エネルギーの結合や運動軌跡の予測などの物理関連のタスクに非常に有益であることが判明しました。
ただし、結合部位の同定における GNN のパフォーマンスは、結合ポケットなどの隠れた幾何学的エンティティをモデル化する専用のノードが不足しているため、潜在的に依然として制限されています。
この研究では、仮想ノードを追加し、拡張メッセージ パッシング スキームを適用することにより、E(n) 等変グラフ ニューラル ネットワーク (EGNN) を拡張します。
これらのグラフの仮想ノードは、結合部位の表現を学習するための専用の量であり、予測パフォーマンスの向上につながります。
私たちの実験では、私たちが提案した方法VN-EGNNが、COACH420、HOLO4K、およびPDBbind2020上の結合部位中心の位置を特定するという新しい最先端技術を確立したことを示します。

要約(オリジナル)

Being able to identify regions within or around proteins, to which ligands can potentially bind, is an essential step to develop new drugs. Binding site identification methods can now profit from the availability of large amounts of 3D structures in protein structure databases or from AlphaFold predictions. Current binding site identification methods heavily rely on graph neural networks (GNNs), usually designed to output E(3)-equivariant predictions. Such methods turned out to be very beneficial for physics-related tasks like binding energy or motion trajectory prediction. However, the performance of GNNs at binding site identification is still limited potentially due to the lack of dedicated nodes that model hidden geometric entities, such as binding pockets. In this work, we extend E(n)-Equivariant Graph Neural Networks (EGNNs) by adding virtual nodes and applying an extended message passing scheme. The virtual nodes in these graphs are dedicated quantities to learn representations of binding sites, which leads to improved predictive performance. In our experiments, we show that our proposed method VN-EGNN sets a new state-of-the-art at locating binding site centers on COACH420, HOLO4K and PDBbind2020.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google