8 天前

PeSTo:无需参数的几何深度学习方法,用于精准预测蛋白质结合界面

{Matteo Dal Peraro, Fabio Cortés Rodriguez, Luciano A. Abriata, Lucien F. Krapp}
PeSTo:无需参数的几何深度学习方法,用于精准预测蛋白质结合界面
摘要

蛋白质是生命不可或缺的分子构建单元,其特定的分子相互作用决定了绝大多数生物功能。然而,准确预测蛋白质的结合界面仍是一项重大挑战。在本研究中,我们提出了一种几何变换器(geometric transformer),该模型直接作用于仅以元素名称标记的原子坐标。由此构建的蛋白质结构变换器——PeSTo(Protein Structure Transformer)——在预测蛋白质-蛋白质相互作用界面方面已超越当前最先进的方法,并能以高置信度预测和区分涉及核酸、脂质、离子及小分子的多种界面类型。该模型计算成本低,可高效处理大规模结构数据,例如分子动力学模拟集合,从而发现那些在静态实验解析结构中难以察觉的潜在结合界面。此外,随着从从头预测(de novo structural prediction)获得的蛋白质折叠组(foldome)持续扩展,PeSTo可轻松对这些结构进行分析,为揭示尚未探索的生物学机制提供了全新机遇。

PeSTo:无需参数的几何深度学习方法,用于精准预测蛋白质结合界面 | 最新论文 | HyperAI超神经