EquiBind : Apprentissage profond géométrique pour la prédiction de la structure de liaison des médicaments

Prédire la manière dont une molécule de type médicament se lie à une cible protéique spécifique est un problème central dans la découverte de médicaments. Une méthode de liaison computationnelle extrêmement rapide permettrait des applications clés telles que le criblage virtuel rapide ou l'ingénierie de médicaments. Les méthodes actuelles sont coûteuses en termes de calcul car elles reposent sur un échantillonnage massif de candidats couplé à des étapes d'évaluation, de classement et d'affinage. Nous remettons ce paradigme en question avec EquiBind, un modèle d'apprentissage profond géométrique SE(3)-équivariant qui effectue une prédiction directe à la fois i) du site de liaison du récepteur (docking aveugle) et ii) de la position et de l'orientation liées du ligand. EquiBind réalise des accélérations significatives et une meilleure qualité par rapport aux méthodes traditionnelles et récentes. De plus, nous montrons des améliorations supplémentaires lorsque nous l'associons à des techniques d'affinage existantes, au prix d'un temps d'exécution accru. Enfin, nous proposons un nouveau modèle d'affinage rapide qui ajuste les angles dièdres des liaisons rotatiles d'un ligand en fonction des minima globaux sous forme fermée de la distance angulaire von Mises à un nuage de points atomiques donné, évitant ainsi les stratégies précédentes d'évolution différentielle pour la minimisation de l'énergie.