基于分子动力学模拟的代理MMGBSA:将物理监督蒸馏为可迁移的分子表示以改进基于结构的药物设计
《Digital Discovery》:SurGBSA: Learning Representations From Molecular Dynamics SimulationsOpen Access
【字体:
大
中
小
】
时间:2026年10月11日
来源:Digital Discovery 7.1
编辑推荐:
蛋白质-配体相互作用本质上具有动态性,然而大多数用于基于结构的药物设计的神经网络方法依赖于静态结构表示。原子级分子动力学(MD)模拟为模拟动力学特性提供了工具,然而将MD信息整合到基于结构的建模中仍探索不足。在此,我们提出了一条实际可行的从MD中提取信息的路径,即将基于物理的
蛋白质-配体相互作用本质上具有动态性,然而大多数用于基于结构的药物设计的神经网络方法依赖于静态结构表示。原子级分子动力学(MD)模拟为模拟动力学特性提供了工具,然而将MD信息整合到基于结构的建模中仍探索不足。在此,我们提出了一条实际可行的从MD中提取信息的路径,即将基于物理的监督蒸馏为可迁移的分子表示。我们训练SURrogate MMGBSA(SurGBSA),使其能够直接从MD采样的3D几何构型预测MMGBSA分数,使用跨帧计算的MMGBSA估计值作为监督信号。为实现本研究,我们为CASF-2016中的晶体结构和多种对接构象生成了10 ns的MD轨迹,产生了约137万个与MMGBSA标签配对的快照。据我们所知,该数据集是首个专门设计用于训练机器学习模型的多样化配体构象、相关MD轨迹及高分辨率MM-GBSA评分的集合。在严格的最大序列一致性划分和k折交叉验证下,SurGBSA在保留轨迹上紧密匹配MMGBSA基线。重要的是,增加构象采样可提高性能:跨帧的集合平均在两个不同测试划分上将排序性能分别提升了31%和53%,表明该模型学习的是在轨迹层面有意义地聚合的帧级能量结构,而非记忆静态复合物。在更具挑战性的测试划分上,预训练编码器保持在物理基线33%以内,并持续优于从头训练的方法。我们进一步表明,这些基于MD训练的表示能够超越复现MMGBSA的范围进行迁移。通过轻量级微调,它们在PDBBind精选集上实现了具有竞争力的实验亲和力预测,性能优于最先进方法4%以内且无需大量超参数调整,并在CASF-2016上改进了对接构象排序,在两个测试划分上分别将Spearman秩相关系数相比从头训练提高了37%和60%。当被要求判别诱饵对接构象时,我们训练的所有方法均优于从头训练的对照方法,并取得了与物理基线具有竞争力的性能。模型检查点、代码和训练数据均已公开提供。此内容仅提供PDF版本。? 2026 作者所有。由英国皇家化学会出版2026作者本文根据知识共享署名4.0国际许可协议发布。您可以在其他出版物中使用本文内容而无需向RSC申请进一步许可,但需给予正确的署名。本作品根据知识共享署名4.0国际许可协议发布。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号