EquiBind: Geometrisches Deep Learning zur Vorhersage von Bindungsstrukturen von Arzneimitteln

Die Vorhersage, wie eine arzneimittelähnliche Molekül an ein spezifisches Proteinziel bindet, ist ein zentrales Problem in der Arzneimittelforschung. Eine extrem schnelle computergestützte Bindungsmethode würde wichtige Anwendungen wie schnelles virtuelles Screening oder Arzneimittel-Ingenieurwesen ermöglichen. Bestehende Methoden sind rechenintensiv, da sie auf umfangreichen Kandidatensampling verbunden mit Bewertungs-, Rangfolge- und Feinabstimmungsschritten basieren. Wir stellen dieses Paradigma mit EquiBind infrage, einem SE(3)-äquivarianten geometrischen Deep-Learning-Modell, das sowohl i) die Bindungsstelle des Rezeptors (blinde Docking) als auch ii) die gebundene Pose und Orientierung des Liganden direkt vorhersagt. EquiBind erzielt im Vergleich zu traditionellen und aktuellen Baselines erhebliche Beschleunigungen und eine bessere Qualität. Darüber hinaus zeigen wir zusätzliche Verbesserungen, wenn wir es mit bestehenden Feinabstimmungstechniken kombinieren, was jedoch zu einer erhöhten Laufzeit führt. Schließlich schlagen wir ein neues und schnelles Feinabstimmungsmodell vor, das die Torsionswinkel der drehbaren Bindungen eines Liganden anhand der geschlossenen Form des globalen Minimums des von-Mises-Winkeldistances zu einer gegebenen Eingabeatomwolke anpasst, wodurch teure Differential-Evolution-Strategien zur Energieminimierung vermieden werden.