跳到正文
bioRxiv· Pourmirzaei, M.; Alqarghuli, S.; Chen, K.; Pourmirzaei, M.; Xu, D.·· 来源仅提供日期AI 评分53

研究用蛋白质序列和SMILES预测零样本蛋白质-配体结合位点

Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

AI 导读

该研究构建配体感知基准并提出三阶段序列模型,用蛋白质序列和SMILES预测零样本蛋白质-配体结合位点。在过度代表配体测试集上,第二阶段模型的ligand-macro F1为0.5832,高于第一阶段的0.4769;第三阶段在未见配体上取得残基级汇总F1 0.3109、ligand-macro F1 0.2338。

预印本 · biorxiv · 10.1101/2025.09.28.679103

本站摘要基于收录版本 v2(2026-11-07),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

准确识别蛋白质-配体结合位点对机理生物学和药物发现至关重要,但预测性能在不同配体家族和数据可用性条件下差异显著。我们提出了一个系统的配体感知基准与评估框架,用于在三种设置下进行残基级结合位点预测:样本充足的过表示配体、样本有限的欠表示配体,以及训练期间未见过的零样本配体。我们使用基于 BioLiP2 的数据集并进行配体特异性序列聚类,评估了一套渐进式三阶段序列建模套件,旨在研究这些条件。第一阶段使用预训练蛋白质语言模型(PLM)训练配体特异性预测器。第二阶段通过学习到的嵌入引入配体条件化,从而实现单一的多配体模型。第三阶段将这些嵌入替换为在 SMILES 上运行的预训练化学语言模型(CLM)所生成的表示,从而能够对先前未见过的配体进行预测。在原始的三阶段比较中,第二阶段在过表示测试集上的配体宏平均 F1 高于第一阶段(0.5832 对比 0.4769),尽管该比较同时改变了预测器架构、配体条件化和训练机制。第二阶段还优于若干基于序列和基于结构的基线。第三阶段在先前未见过的配体上取得了 0.3109 的汇总残基级 F1 和 0.2338 的配体宏平均 F1,同时在已表示的配体上仍保持竞争力。使用恒定、不匹配和打乱的 SMILES 输入的对照实验在所有三种测试条件下均降低了性能,这证明模型利用了与所提供的配体输入相关的信息,而非仅仅依赖通用的蛋白质结合位点倾向性。在五种 PLM 规模和多种 CLM 上进行的消融实验进一步表明,增大 PLM 规模通常能提升性能,尽管该趋势并非严格单调,而 CLM 规模化带来的增益较小且不够一致。总体而言,本研究提供了一个系统基准,用于量化配体数据可用性对残基级结合位点预测的影响,并用于评估对先前未见过配体的泛化能力。

来源:bioRxiv · biorxiv.org