基于Voronoi接触面的图网络提升蛋白-配体结合位点预测
- VorRel-Net将蛋白质表示为分层图,边编码多种非共价相互作用,并以Voronoi接触面积而非单纯距离加权。
- 自适应模块融合多模态残基特征,语义反馈步骤修正浅层表示,以减轻深层网络的信息损失。
- 作者报告在结合位点基准上达到最先进的准确性与可解释性;仅能读取摘要,基准细节及实验验证未能确认。
💡 要点 基于摘要的观点
接触面积加权是值得一试的思路:它能反映距离截断捕捉不到的埋藏表面与堆积情况,Voronoi剖分的计算也很便宜。不过结合位点基准容易因同源蛋白或共享配体而泄漏,与P2Rank及近期GNN方法的差距通常也不大。在相信标题数字之前,应先核查是否按序列相似度划分数据,以及在apo结构或AlphaFold结构上是否依然成立。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ VorRel-Net: Topology-Driven Multirelational Learning with Voronoi Contact Area for Protein–Ligand Interaction Site Prediction