加载失败，
「AI+物理先验知识」，浙大、中国科学院通用蛋白质-配体相互作用评分方法登Nature子刊
「AI+物理先验知识」，浙大、中国科学院通用蛋白质-配体相互作用评分方法登Nature子刊
2024年8月14日修改
本文讨论了在蛋白质-配体相互作用预测领域，传统数据驱动方法存在局限，浙江大学和中国科学院研究团队提出新型评分方法EquiScore的相关研究，关键要点包括：
1.
研究背景：科学家一直寻找预测蛋白质-配体相互作用的高效方法，传统数据驱动方法易“死记硬背”，基于机器学习的评分方法有进展但面临数据泄漏等问题。
2.
EquiScore方法：利用异构图神经网络整合物理先验知识，在等变几何空间表征相互作用，是二元分类模型，通过输入异构图评估结合潜力。
3.
新数据集：采用多种数据增强策略和严格冗余消除方案构建PDBscreen新数据集，扩大正、负样本量。
4.
模型架构：设计异构图构建方案，添加虚拟节点和多种边，引入信息感知注意机制，EquiScore层由三个子模块组成。
5.
性能评估：在虚拟筛选场景中，比21种现有评分方法排名更靠前；在先导化合物优化场景中，速度和准确性更均衡；重新评分能力强，可提高VS性能。
6.
可解释性：能捕捉关键分子间相互作用，为药物设计提供线索。
7.
研究意义：有助于了解人类健康和疾病，促进新药发现 。