論文解讀：DeepSurf：一種基于表面的深度學習方法預測蛋白質(zhì)上的配體結(jié)合位點?

期刊：Bioinformatics

中科院分區(qū);Q1

影像因子：6.937

發(fā)表日期：2021.6.20

代碼與數(shù)據(jù)集：GitHub - stemylonas/DeepSurf: A surface-based deep learning approach for the prediction of ligand binding sites on proteins

一、摘要

背景：了解蛋白質(zhì)上潛在的可藥物結(jié)合部位是發(fā)現(xiàn)新藥的重要的初步步驟，通過跟蹤深度學習領域最近的重大進展并利用適當數(shù)據(jù)的日益增加的可用性，可以促進對這些領域的計算預測。

方法：本文提出了一種新的預測潛在結(jié)合位點的計算方法，稱為DeepSurf。DeepSurf結(jié)合了基于表面的表示，其中在蛋白質(zhì)的表面放置了許多3D體素網(wǎng)格，以及最先進的深度學習架構(gòu)。

結(jié)果：在接受了scPDB大型數(shù)據(jù)庫的培訓后，DeepSurf在三個不同的測試數(shù)據(jù)集上展示了卓越的結(jié)果，超過了所有主要的基于深度學習的競爭對手，同時獲得了一系列傳統(tǒng)的非數(shù)據(jù)驅(qū)動方法的競爭性能。

結(jié)論：在與三個不同的完整結(jié)構(gòu)和載脂蛋白結(jié)構(gòu)的數(shù)據(jù)集上，DeepSurf與一組競爭的深度學習方法進行了比較，結(jié)果表明DeepSurf在定位和重疊精度方面都優(yōu)于競爭的方法。盡管它在重疊精確度上占據(jù)主導地位，但所獲得的值仍然相當小，證明提取理想形狀的結(jié)合位點仍然是一個懸而未決的問題。與許多非數(shù)據(jù)驅(qū)動的方法相比，DeepSurf也獲得了具有競爭力的結(jié)果。

二、數(shù)據(jù)集與方法

數(shù)據(jù)集：數(shù)據(jù)來自scPDB數(shù)據(jù)庫，它是蛋白質(zhì)數(shù)據(jù)庫中不斷更新的配體位點的結(jié)合。這些結(jié)合位點由蛋白質(zhì)和藥物配的結(jié)合。3個數(shù)據(jù)集：COACH420, the HOLO4K和apo/holo 子集

方法：使用殘基網(wǎng)絡家族中的ResNetcaiyongle 采用了18層的ResNet

總結(jié)

以上是生活随笔為你收集整理的DeepSurf: A surface-based deep learning approach for theprediction of ligand binding sites on prote的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。