计算与 AI 药物发现 Journal of Chemical Information and Modeling (ACS)
机器学习对接与共折叠工具能定位酶活性位点,但底物构象预测不准
- 研究将八种机器学习对接/共折叠工具与一种基于物理的对接程序,在按金属离子有无分组的多样化酶–底物复合物精选数据集上进行比较。
- 评估为回顾性,对照已知结构评价构象精度和物理合理性。
- 没有任何机器学习工具在合理构象上超过物理基线;不过共折叠模型能很好地定位活性位点,一个较小的早期模型表现与之相当,金属离子的存在也会影响性能。
要点 基于摘要的观点
别急着弃用物理对接,基线本身才是看点:如果老牌程序在合理构象上仍然胜出,说明PoseBusters式的合理性过滤确实起作用。共折叠在已知酶上的表现也很难和记忆区分开,缺的正是按与训练集相似度分层的分析。做金属酶项目的话,对接这一步先留着。
原论文: Journal of Chemical Information and Modeling (ACS) ↗ Co-Folding Models Localize Enzyme Active Sites but Fail to Accurately Predict Enzyme–Substrate Complex Structures