跳到正文
arXiv· Wenyin Zhou; Hossein Azizpour·· 27 天前AI 评分49

GCLDock:面向生成式柔性对接的课程学习

Curriculum Learning for Generative Flexible Docking

AI 导读

GCLDock 通过课程学习增强生成式柔性对接,采用线性节奏函数逐步纳入大幅构象变化样本,以缓解 apo 到 holo 的长尾结构偏移。在 PDBBind ESMFold apo 基准上,采用松弛和基于置信度的姿态选择后,GCLDock 的 top-1 成功率达 46.52%(配体 RMSD 小于 2A);额外要求 PoseBusters 有效性时为 40.26%,优于现有基线。

预印本 · arxiv · 2610.28145

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

柔性对接是一项高度实用的任务,旨在根据蛋白质的apo结构和配体的SMILES字符串预测蛋白质-配体复合物的联合构型。扩散模型和基于流的生成模型通过建模在apo输入条件下配体构象和蛋白质构象的后验分布,使这一任务变得可行。然而,核心挑战仍然是apo到holo结构转变的长尾分布问题,即只有少部分蛋白质会发生较大的构象变化。在本工作中,我们基于以下实际观察:降低大幅偏移样本的权重可以提升泛化能力,且长尾分布由真正困难的样本和噪声样本混合构成,因此我们提出将课程学习应用于该任务,在训练过程中逐步引入具有大幅构象变化的样本。通过使用线性调度函数,我们证明现有方法可以得到显著增强。在PDBBind ESMFold apo基准上,结合松弛处理和基于置信度的构象选择,所得模型GCLDock达到了46.52%的top-1成功率(配体RMSD小于2Å),在额外要求PoseBusters有效性的情况下达到40.26%,优于现有基线方法。

来源:arXiv · arxiv.org