社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

JCIM|MILCDock:用于药物发现中虚拟筛选的机器学习一致性对接

智药邦 • 2 年前 • 475 次点击  

2022年11月7日,美国杨百翰大学的Dennis Della Corte团队在Journal of Chemical Information and Modeling上发表文章MILCDock: Machine Learning Enhanced Consensus Docking for Virtual Screening in Drug Discovery。

作者提出了MILCDock(Machine Learning Enhanced Consensus Docking),使用神经网络集成了五个工具来预测配体与蛋白质靶点的对接,实现了具有竞争力的先进的蛋白质-配体对接预测性能。

背景

分子对接工具用于药物发现,以筛选海量的小分子库虚拟筛选过程中的靶蛋白,预测蛋白质-配体的结合活性和亲和力。高通量虚拟筛选方法可以有效筛选药物发现的主要靶点。

然而,尽管高通量虚拟筛选方法有潜力提高药物发现效率,准确的结合亲和力预测、可靠地区分活性或者非活性的靶标-配体对,仍是一项艰巨的任务。因为,对接工具的准确性取决于评分功能,并且在蛋白质靶点之间变化很大,从而很难先验地预测对接工具是否将在不同的虚拟筛选目标上表现良好。一致性对接通过结合多种评分工具,可以提高评分的准确性,而机器学习则是实现一致性对接方法的有效途径。

图1. MILCDock模型图

本文作者创建了一个机器学习一致性对接工具MILCDock,该工具使用五种传统分子对接工具的预测配体与蛋白质结合的概率。MILCDock经过训练和测试基于DUD-E和LIT-PCBA对接数据集的数据,显示出优于传统分子对接工具的性能。

方法

作者使用了五个工具来对接活性/非活性配体与蛋白质靶点:Autodock Vina[2]、AutoDock4[3]、PLANTS[4]、rDock[5]和LeDock[6]。


Autodock Vina 1.1.2版。受体文件为通过手动将氨基酸残基名称转换为Amber格式,然后使用AutoDockTools中的prepare_receptor4.py转换为pdbqt格式。配体文件使用来自AutoDockTools中的prepare_ligand4.py来准备。Vina使用经验/基于知识的评分功能。


Autodock4版本4.2.6。使用AutoDockTools中的prepare_gpf4.py和autogrid4生成可执行文件。使用prepare_ receptor4.py和prepare_ligand4.py处理受体和配体,这两个脚本也分别来自AutoDockTools。因为Autodock4输出在对接计算中获得了许多中间分数,所以除了最终的对接得分,许多中间得分的分数也包含在机器学习输入向量中。Autodock4使用经验/基于知识的评分功能。


PLANTS 1.2版。已准备受体文件使用SPORES 1.3版,使用“完整”运行模式。在配置文件中,“chemplp”用于评分功能设置,搜索速度为“speed1”。对于聚类算法,“cluster_structures”设置为20,并且“cluster_rmsd”设置为2.0。除了最后的对接得分,许多中间得分也包括在机器学习输入向量中。PLANTS使用经验评分函数。


RDock版本2013.1。受体文件已转换为MOL2格式,配体文件使用OpenBabel转为SD格式。使用的评分函数为RbtCavityGridSF。除了它的最终得分之外,rDock输出很多分子间评分函数的中间评分分数和标准化分数,被用作机器学习的输入。rDock使用经验/基于力场的评分功能。


LeDock 1.0版。受体文件转换为CHARMM格式,然后在它们上运行lepro可执行文件。LeDock使用基于经验/力场的评分函数。


MILCDock使用集成的神经网络(多层感知机)将以上五种工具进行集成,如图1所示。

结果

作者比较了多种机器学习方法:朴素一致性方法, XGBoost、朴素贝叶斯分类器),以及集成或者非集成的神经网络(多层感知机)。其中集成的多层感知机(ensemble MLP)即代表MILCDock模型。作者引入了在化合物虚拟筛选中使用的二分类指标:富集因子(enrichment factor,EF)[7]作为检验指标。表1表明,MILCDock在多个靶标的EF指标中均表现最好。

表1:不同方法的对比

作者绘制了对接工具富集因子(EF1%)的提琴图。该测试集是由四个LIT-PCBA中的和二十个DUD-E中的受体组成。这进一步表明,从统计角度而言,MILCDock在多个靶标的EF指标中均表现最好。

图2. 提琴图

总结

分子对接工具通常用于在药物发现的虚拟筛选中识别新分子。然而,对接工具对于靶标蛋白-配体药物的评分功能不准确,在不同蛋白质上的性能差异很大。本文使用神经网络集成了了五个工具来预测配体与蛋白质靶点的对接,显著改进了对蛋白质-药物互相作用关联的预测。

参考资料

[1] Morris et al., MILCDock: Machine Learning Enhanced Consensus Docking for Virtual Screening in Drug Discovery, J. Chem. Inf. Model. 2022

[2] Trott et al., AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J. Comput. Chem. 2010

[3] Morris et al., AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J. Comput. Chem. 2009

[4] Korb et al., PLANTS: Application of ant colony optimization to structure-based drug design. In International workshop on ant colony optimization and swarm intelligence. 2006

[5] Ruiz-Carmona et al., rDock: a fast, versatile and open source program for docking ligands to proteins and nucleic acids. PLoS Comp. Biol. 2014

[6] Zhang et al., Enriching screening libraries with bioactive fragment space. Bioorg. Med. Chem. Lett. 2016.

[7] Su et al., Comparative assessment of scoring functions: the CASF-2016 update. J. Chem. Inf. Model. 2018


--------- End ---------


感兴趣的读者,可以添加小邦微信(zhiyaobang2020)加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或  姓名-学校-职务/研究方向


- 历史文章推荐 -


AI药物设计

●Drug Discov Today | 机器学习预测小分子pKa的进展和挑战

●BMC Bioinform | 拓扑增强的分子图表示用于抗乳腺癌药物的筛选

●Drug Discov Today | 分子表示与性质预测中的深度学习方法

●Front Pharmacol|DDIT:药物-疾病之间多种临床表型关联预测工具

●Bioinformatics | 通过修正异质信息中不完整信息的影响来预测药物-蛋白相互作用

●国内首个可交互式计算的VR药物设计软件发布

●Front Pharmacol|基于图片段分子表示和深度进化学习的多目标药物设计

●Drug Discov Today | 利用系统的蛋白质-配体相互作用指纹图谱进行药物发现

●Int J Mol Sci|CSatDTA:带自注意力机制的卷积模型预测药物-靶标亲和力

J Med Chem|静电互补在基于结构的药物设计中的应用

●Nat Mach Intel|一种用于分子相互作用和分子性质预测的自动图学习方法

●JCIM|基于图注意机制的有机化合物合成可及性预测

●Wires Comput Mol Sci|分子发现的生成模型:最新进展和挑战

JCIM|利用深度学习进行基于结构的从头药物设计

Drug Discov Today|辉瑞:如何成功的设计小分子药物

诺华:技术时代的药物设计艺术

CAS博客|首批进入临床试验的AI设计的候选药物:结构新颖性评估

JMC|用于从头药物设计的生成模型

●用机器学习预测药物在靶点上的停留时间

●Drug Discov Today|人工智能增强的药物设计和开发:迈向计算型精准医学

●Drug Discov Today|用于从头药物设计的图神经网络GNN

●Nat Commun|AI结合基因表达特征,从头生成类苗头化合物

●BioRxiv|基于表型和化学结构预测化合物活性

●Drug Discov Today综述|分子从头设计和生成模型

●Nat Comput Sci综述|生物分子建模在技术时代蓬勃发展


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/149695
 
475 次点击