巴拉巴西新作：AI-Bind 助力蛋白质-配体结合预测

关键词：药物发现，机器学习，网络拓扑，蛋白质-配体二分网络

论文题目：Improving the generalizability of protein-ligand binding predictions with AI-Bind

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-37572-z

准确预测化学物质和蛋白质之间的结合相互作用是药物发现的关键和瓶颈。现有的分子动力学（molecular dynamics）和分子对接仿真（docking simulations）等方法常用来鉴定潜在的蛋白质配体结合，但仿真模拟的计算复杂度严重限制了大规模测试的覆盖范围和可行性。因此，为规避现有方法的计算限制，有很多基于机器学习和人工智能的模型被提出。

巴拉巴西等人在最近发表于 Nature Communications 的这篇文章里表明：即使是最先进的机器学习模型也无法推广到新结构（从未见过的结构）。他们揭示了造成这一缺点的机制，展示了模型并未学习节点特征，而是依赖于蛋白质-配体二分网络拓扑结构的捷径。

他们还介绍了AI-Bind——一种基于网络的采样策略与无监督预训练相结合的方法，用来改善新的蛋白质-配体的结合预测。他们还通过分子对接模拟和最近的实验证据进行比较，验证了AI-Bind的预测，并通过识别氨基酸序列上的潜在活性结合位点，来加强解释蛋白质-配体结合的机器学习预测的过程。AI-Bind 是一种识别药物-靶标组合的高通量方法，有望成为药物发现中的强大工具。