预训练机器学习力场在数秒至数十秒内给出蛋白–配体结合评分,在FEP基准上表现不俗
- SO3LR-SF将预训练的SO3LR机器学习力场与排斥、静电和色散等物理项结合,用于给蛋白–配体复合物的活性位点模型打分。
- 研究先在小型活性位点模型上以高精度量子化学结果为参照,再在两套常用于自由能基准的配体排序数据集上检验。
- 排序表现与最好的半经验方法和MM/GBSA相当,优于Glide;在其中一套数据上接近基于分子动力学的自由能方法,每个复合物仅需CPU数秒到不足一分钟。
- 作者强调该方法较少受到“用复合物训练导致成绩虚高”的影响。
💡 要点 基于摘要的观点
追平MM/GBSA并略胜Glide是有价值的,但这里的FEP数据集是回顾性的同系物系列,对任何打分函数都算容易的场景。我会拿自己带有SAR悬崖的系列去试,看它能否排对FEP+排错的化合物。若能站住,每个复合物数秒到数十秒,就是对接之后可行的重打分环节。
Explainable ML force-field for evaluating protein–ligand binding energy using SO3LR ↗