FABind+: Verbesserung des Molekularen Dockings durch optimierte Taschenprädiktion und Pose-Generierung

Molekulardocking ist ein entscheidender Prozess in der Arzneimittelforschung. Während traditionelle Methoden auf umfangreichen Simulationen basieren, die durch physikalische Prinzipien gesteuert werden, sind diese oft langsam und kostspielig. Die Einführung von tiefen Lernverfahren hat erhebliches Potenzial gezeigt und sowohl die Genauigkeit als auch die Effizienz verbessert. Aufbauend auf den grundlegenden Arbeiten des Modells FABind, das sich auf Geschwindigkeit und Genauigkeit konzentriert, präsentieren wir FABind+, eine verbesserte Version, die die Leistungsfähigkeit des Vorgängers erheblich steigert. Wir identifizieren die Vorhersage von Bindungstaschen (pockets) als eine kritische Engstelle im Molekulardocking und schlagen eine neuartige Methode vor, die die Vorhersage von Bindungstaschen erheblich verfeinert und damit den Dockingprozess optimiert. Darüber hinaus führen wir Änderungen am Dockingmodul ein, um dessen Fähigkeiten zur Posegenerierung zu verbessern. Um den Abstand zu herkömmlichen Sampling-/Generiermethoden zu verringern, integrieren wir eine einfache aber effektive Samplingtechnik zusammen mit einem Konfidenzmodell, das nur geringfügige Anpassungen am Regressionsrahmen von FABind erfordert. Experimentelle Ergebnisse und Analysen zeigen, dass FABind+ erstaunlich gut abschneidet im Vergleich zum ursprünglichen FABind, wettbewerbsfähige Spitzenleistungen erzielt und nützliche Modellierungsstrategien liefert. Dies belegt, dass FABind+ einen wesentlichen Fortschritt im Molekulardocking und in der Arzneimittelforschung darstellt. Unser Code ist unter https://github.com/QizhiPei/FABind verfügbar.