今天給大家講一篇2022年8月在JCIM上發(fā)表的關(guān)于蛋白綁定位點的識別的一篇文章，作者提出了SiteRadar 模型，分別利用幾何（只考慮了網(wǎng)格點和周圍的蛋白質(zhì)原子之間的距離）與氨基酸特異性的方法來進行綁定位點的識別。該模型與FPocket和PUResNet相比，在結(jié)合位點識別方面顯示出更高的準確性。并且有助于促進藥物設(shè)計的發(fā)展。

基于結(jié)構(gòu)的藥物設(shè)計研究背景

為了探索未知的靶點可以結(jié)合哪些化合物，當?shù)鞍捉Y(jié)構(gòu)已知的時候，基于結(jié)構(gòu)的藥物設(shè)計就發(fā)揮出了它的優(yōu)勢。首先需要對靶標三維結(jié)構(gòu)分析，并且識別潛在的藥物口袋。不過，對于大多數(shù)計算方法而言，檢測蛋白質(zhì)?配體口袋的能力，檢測變構(gòu)結(jié)合位點，共價抑制劑結(jié)合位點和蛋白蛋白相互作用區(qū)域內(nèi)的空腔的效果也都不是很理想。因此研究一個能可靠地識別蛋白質(zhì)的?配體結(jié)合位點方法是很有必要的。

計算方法

2.1 SiteRadar方法流程

如圖1所示，作者首先對輸入的蛋白結(jié)構(gòu)生成對應(yīng)的網(wǎng)格點，然后進行網(wǎng)格點標記和聚類并對最后的結(jié)果打分。其中對網(wǎng)格點標記是為了生成結(jié)合位點的正樣本和負樣本。第一個聚類過程的目的是區(qū)分不同的口袋，篩選條件為保留20個網(wǎng)格點的口袋，為了進一步將口袋的結(jié)合位點進行分離，需要進行第二次聚類來形成合理大小的口袋。因此，作者利用MeanShift算法對每一組網(wǎng)格點進一步聚類，最后一步則是根據(jù)模型給出的預(yù)測結(jié)合位點能力的打分值進行排序。其中打分值為口袋內(nèi)所有網(wǎng)格點的平均概率分數(shù)。

2.2 蛋白樣本選擇

作者從PDB數(shù)據(jù)庫獲取蛋白的三維結(jié)構(gòu)數(shù)據(jù)。并且過濾掉氨基酸殘基中的重原子與配體重原子大于7A的蛋白結(jié)構(gòu)，進一步將每個網(wǎng)格點表示為一個由蛋白質(zhì)重原子組成的圖，其中網(wǎng)格點本身表示為節(jié)點，從蛋白質(zhì)重原子到網(wǎng)格點的距離被表示為邊。如圖2所示，此外，作者將氨基酸特異性的數(shù)據(jù)來當做節(jié)點的特征。作者將和配體重原子的距離在2A以內(nèi)的原子挑選出來作為正樣本，并且在剩余的網(wǎng)格中挑選百分之5的原子作為負樣本。其中綠色的點為正樣本，紅色的點為負樣本。

2.3 圖神經(jīng)網(wǎng)絡(luò)方法

作者訓(xùn)練了兩個基于圖的神經(jīng)網(wǎng)絡(luò)：第一個方法考慮了網(wǎng)格點與周圍蛋白質(zhì)原子之間的距離。第二種方法利用了額外的氨基酸特異性的信息。二者模型結(jié)構(gòu)類似，輸入的節(jié)點信息和邊的信息分開建模，節(jié)點的特征是通過transformer的多頭注意力機制來進行傳播的，并對最后的輸出取平均，邊的特征是通過線性變換層和（ReLU）激活函數(shù)來進行傳遞邊的消息。模型輸出結(jié)果為一個特定的網(wǎng)格點是一個口袋點(1)或不是口袋點(0)的概率值。

實驗結(jié)果

3.1 基準比較

如圖3所示，LC表示為配體重原子網(wǎng)格點1.8 A內(nèi)的配體重原子數(shù)的加權(quán)。PC表示為距離任何配體重原子不超過1.8 A的網(wǎng)格點數(shù)量加權(quán)，DVO表示為口袋內(nèi)的網(wǎng)格點和配體網(wǎng)格點的1.8A內(nèi)原子數(shù)交集的加權(quán)。作者選用Fpocket 以及 PUResNet作為比較的基準方法，SiteRadar (考慮氨基酸特異性)和SiteRadar (幾何)方法分別可以分別正確檢測出0.76和0.82的綁定位點，F(xiàn)pocket 以及PUResNet只能識別出0.71和0.46。

3.2 鑒定NADH氧化酶中淺溶劑暴露的結(jié)合位點

通過計算的方法目前較難識別NADH氧化酶表面的結(jié)合位點，如圖4左處所示，SiteRadar (考慮氨基酸特異性)方法可以很好地定位結(jié)合位點，并且不檢測到任何假陽性的口袋，SiteRadar (幾何)方法則沒有完整的識別潛在綁定位點，并且只檢測到由19個網(wǎng)格點形成的部分結(jié)合位點。此外，幾何模式檢測到位于感興趣的結(jié)合位點附近的一個額外的空腔。

結(jié)論

SiteRadar在預(yù)測真實結(jié)合位點位置和體積參數(shù)方面準確度較高。蛋白與配體的圖結(jié)構(gòu)信息是通過等變的圖神經(jīng)網(wǎng)絡(luò)來傳遞的，因此不用考慮蛋白質(zhì)的初始位置、旋轉(zhuǎn)狀態(tài)等信息，此外，在變構(gòu)暴露、PPI位點和共價配體結(jié)合的空腔的識別方面也有顯著的優(yōu)勢。作者提出的基于幾何的模型相較于考慮氨基酸特異性的方法在配體?蛋白結(jié)合位點識別上表現(xiàn)更好。SiteRadar在來自不同家族的不同蛋白質(zhì)中發(fā)現(xiàn)了配體結(jié)合位點，并且預(yù)測的準確性并不依賴于與訓(xùn)練樣本之間的序列相似性。Ppocket和PUResNet這兩個方法有他們自己的不足之處，當利用Fpocket會顯著增加時間，當然合成，體外評估也有較高的假陽性結(jié)果，而PUResNet檢測出結(jié)合位點的能力差，往往會產(chǎn)生不合理的大口袋。SiteRadar提供了對配體?蛋白結(jié)合位點的高選擇性檢測，可以更好地加速藥物設(shè)計的進程。

參考文獻

1. Leelananda, S. P.; Lindert, S. Computational Methods in Drug Discovery. Beilstein J. Org. Chem. 2016, 12, 2694?2718

版權(quán)信息

本文系A(chǔ)IDD Pro接受的外部投稿，文中所述觀點僅代表作者本人觀點，不代表AIDD Pro平臺，如您發(fā)現(xiàn)發(fā)布內(nèi)容有任何版權(quán)侵擾或者其他信息錯誤解讀，請及時聯(lián)系A(chǔ)IDD Pro (請?zhí)砑游⑿盘杝ixiali_fox59)進行刪改處理。

原創(chuàng)內(nèi)容未經(jīng)授權(quán)，禁止轉(zhuǎn)載至其他平臺。有問題可發(fā)郵件至sixiali@stonewise.cn