研究提出 MIEN 模型,用于判别蛋白口袋中的糖链姿态与构象
MIEN: a deep-learning model for pocket-conditioned glycan pose and conformation discrimination
研究提出 MIEN,一种基于结构的等变图网络,用于评估糖链姿态与固定蛋白口袋的兼容性。模型在 5,241 个实验复合物上训练,并在 260 个蛋白不重叠复合物上区分实验姿态与非天然姿态;在 AutoDock-GPU 和 GlycanDock 候选池中,三个训练种子下 MIEN 选出更低 RMSD 的 top-1 姿态的次数多于这两个对接引擎,并将 1、2、4 埃以内的最佳姿态数量提高。
预印本 · biorxiv · 10.64898/2026.10.13.758804
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
在蛋白质-碳水化合物相互作用中,分子对接可以生成许多看似合理的聚糖构象,但排名最高的构象可能与实验观测到的构象不同。我们提出了最小界面等变网络(Minimal Interface Equivariant Network,MIEN),这是一种基于结构的等变图网络,用于评估聚糖构象与固定蛋白质口袋的兼容性。该模型在最小界面图上运行,该图仅包含与聚糖形成极性接触或 CH-π 接触的蛋白质原子,不包含蛋白质和糖残基名称。MIEN 在 5,241 个实验复合物以及一组统一的、按语义接触分为三个层级的接触保持刚体负样本上进行训练。在包含 260 个留出复合物的蛋白质不重叠基准测试中,MIEN 能够将实验构象与非天然构象区分开,并在匹配的口袋内对实验构象给出更高排名。随后,我们在为相同复合物独立生成的 AutoDock-GPU 和 GlycanDock 候选池上评估了 MIEN。在三个训练随机种子下,MIEN 选择低 RMSD 的 top-1 构象的频率高于任一对接引擎,并增加了 RMSD 低于 1、2 和 4 Å 的最佳构象数量。这些结果为获得更真实的蛋白质-碳水化合物复合物构象提供了实用途径,并为蛋白质-碳水化合物相互作用的结构与机制研究提供了更坚实的基础。
来源:bioRxiv · biorxiv.org