Investigadores de Stanford aprovechan el aprendizaje profundo con GLOW e IVES para transformar el acoplamiento molecular y la predicción de la posición de unión del ligando
Investigadores de Stanford revolucionan el acoplamiento molecular y la predicción de la posición de unión del ligando usando GLOW e IVES
El aprendizaje profundo tiene el potencial de mejorar el acoplamiento molecular al mejorar las funciones de puntuación. Los protocolos actuales de muestreo a menudo necesitan información previa para generar poses precisas de unión de ligandos, lo que limita la precisión de la función de puntuación. Dos nuevos protocolos, GLOW e IVES, desarrollados por investigadores de la Universidad de Stanford, abordan este desafío, demostrando una mayor eficacia en el muestreo de poses. La evaluación en diferentes estructuras de proteínas, incluidas las generadas por AlphaFold, valida los métodos.
El aprendizaje profundo en el acoplamiento molecular a menudo se basa en conjuntos de datos rígidos de acoplamiento de proteínas, descuidando la flexibilidad de las proteínas. Si bien el acoplamiento flexible considera la flexibilidad de las proteínas, tiende a ser menos preciso. GLOW e IVES son protocolos de muestreo avanzados que abordan estas limitaciones y superan constantemente a los métodos de referencia, especialmente en los bolsillos de unión dinámicos. Esto promete mejorar el muestreo de poses de ligandos en el acoplamiento proteína-ligando, lo cual es crucial para mejorar las funciones de puntuación basadas en el aprendizaje profundo.
El acoplamiento molecular predice la colocación de los ligandos en los sitios de unión de las proteínas, lo cual es crucial para el descubrimiento de medicamentos. Los métodos convencionales enfrentan desafíos para generar poses precisas de ligandos. El aprendizaje profundo puede mejorar la precisión, pero depende del muestreo de poses efectivo. GLOW e IVES mejoran las muestras para escenarios desafiantes, aumentando la precisión. Aplicables a estructuras de proteínas sin ligar o predichas, incluidas las generadas por AlphaFold, ofrecen conjuntos de datos seleccionados y código Python de código abierto.
- Técnicas avanzadas de RAG una visión general ilustrada
- ¿Cómo usar Github? Guía paso a paso
- Upstage presenta Solar-10.7B modelos de lenguaje grandes pioneros con escalado en profundidad y precisión ajustada para conversaciones de un solo turno
GLOW e IVES son dos protocolos de muestreo de poses para el acoplamiento molecular. GLOW utiliza un potencial de van der Waals suavizado para generar poses de ligandos, mientras que IVES mejora la precisión al incorporar múltiples conformaciones de proteínas. Las comparaciones de rendimiento con métodos de referencia muestran la superioridad de GLOW e IVES. La evaluación de conjuntos de pruebas mide el porcentaje de poses correctas en casos de acoplamiento cruzado. La calidad de la semilla de la pose es vital para IVES eficiente, con la puntuación de acoplamiento Smina y la puntuación utilizada para la selección.
GLOW e IVES superaron los métodos de referencia al muestrear de manera precisa las poses de los ligandos, destacando en escenarios desafiantes y pruebas de AlphaFold con cambios significativos en la conformación de proteínas. La evaluación de conjuntos de pruebas confirmó su mayor probabilidad de muestrear posturas correctas. IVES, al generar múltiples conformaciones de proteínas, ofrece ventajas para el aprendizaje profundo geométrico en estructuras de proteínas, logrando un rendimiento comparable al de Schrödinger IFD-MD con menos conformaciones. Los conjuntos de datos de poses de ligandos para 5,000 pares proteína-ligando generados por GLOW e IVES se proporcionan, lo que ayuda al desarrollo y la evaluación de funciones de puntuación basadas en el aprendizaje profundo en el acoplamiento molecular.
En conclusión, GLOW e IVES son dos poderosos métodos de muestreo de poses que han demostrado ser más efectivos que las técnicas básicas, especialmente en escenarios difíciles y pruebas de AlphaFold. Con IVES se pueden generar múltiples conformaciones de proteínas, lo cual es muy ventajoso para el aprendizaje profundo geométrico. Además, los conjuntos de datos proporcionados por GLOW e IVES, que contienen poses de ligandos para 5,000 pares proteína-ligando, son recursos invaluables para los investigadores que trabajan en funciones de puntuación basadas en el aprendizaje profundo en el acoplamiento molecular.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Kinara presenta el procesador Ara-2 revolucionando el procesamiento de IA en dispositivos para un rendimiento mejorado
- ¡Vamos a explorar el aprendizaje por transferencia…
- Este artículo de IA explora el plan del cerebro a través del aprendizaje profundo Avanzando las redes neuronales con los conocimientos de la neurociencia y los tutoriales de la biblioteca Python snnTorch.
- Procesamiento del Lenguaje Natural Desbloqueando el Poder de la Comunicación Humana a través de la IA
- Google AI presenta MedLM una familia de modelos base afinados para casos de uso en la industria de la salud
- Estrategia de co-optimización SW/HW para Modelos de Lenguaje Grandes (LLMs)
- Guía para Transformar de Manera Segura las Interacciones con los Complementos de ChatGPT