主动学习大幅降低在庞大激酶片段重组空间中进行对接筛选的计算成本
- 该框架结合了基于KinFragLib的亚口袋感知片段重组、分子对接、机器学习代理模型，以及围绕已评估配体进行片段增加、删除和替换的遗传算法式探索。
- 以蛋白激酶A为案例，在规模极大的重组空间上进行回顾性评估；只需对极少部分配体做昂贵的对接，就找到了许多高分候选分子。
- 贪婪获取策略找回了相当比例的最优配体，明显优于随机采样；兼顾多样性的策略在保持竞争力的同时扩大了片段和铰链区结合基序的覆盖。
💡 要点 基于摘要的观点
PKA 是最适合这类方法的激酶之一：口袋刚性强、研究充分，对接打分与富集度的相关性尚可。回顾性地找回对接高分分子，只说明代理模型学到了对接函数，并不代表学到了亲和力。要把它用到我自己的靶点之前，我想先有独立验证，比如 FEP 或少量入选分子的实测数据，还要确认重组分子是否可合成。
Active Learning for Fragment-Based Kinase Inhibitor Discovery using Docking ↗