图机器学习方法是否可以定位蛋白配体绑定位点呢？
今天给大家讲一篇2022年8月在JCIM上发表的关于蛋白绑定位点的识别的一篇文章，作者提出了SiteRadar 模型，分别利用几何（只考虑了网格点和周围的蛋白质原子之间的距离）与氨基酸特异性的方法来进行绑定位点的识别。该模型与FPocket和PUResNet相比，在结合位点识别方面显示出更高的准确性。并且有助于促进药物设计的发展。
基于结构的药物设计研究背景
为了探索未知的靶点可以结合哪些化合物，当蛋白结构已知的时候，基于结构的药物设计就发挥出了它的优势。首先需要对靶标三维结构分析，并且识别潜在的药物口袋。不过，对于大多数计算方法而言，检测蛋白质−配体口袋的能力，检测变构结合位点，共价抑制剂结合位点和蛋白蛋白相互作用区域内的空腔的效果也都不是很理想。因此研究一个能可靠地识别蛋白质的−配体结合位点方法是很有必要的。
计算方法
2.1 SiteRadar方法流程
如图1所示，作者首先对输入的蛋白结构生成对应的网格点，然后进行网格点标记和聚类并对最后的结果打分。其中对网格点标记是为了生成结合位点的正样本和负样本。第一个聚类过程的目的是区分不同的口袋，筛选条件为保留20个网格点的口袋，为了进一步将口袋的结合位点进行分离，需要进行第二次聚类来形成合理大小的口袋。因此，作者利用MeanShift算法对每一组网格点进一步聚类，最后一步则是根据模型给出的预测结合位点能力的打分值进行排序。其中打分值为口袋内所有网格点的平均概率分数。
2.2 蛋白样本选择
作者从PDB数据库获取蛋白的三维结构数据。并且过滤掉氨基酸残基中的重原子与配体重原子大于7A的蛋白结构，进一步将每个网格点表示为一个由蛋白质重原子组成的图，其中网格点本身表示为节点，从蛋白质重原子到网格点的距离被表示为边。如图2所示，此外，作者将氨基酸特异性的数据来当做节点的特征。作者将和配体重原子的距离在2A以内的原子挑选出来作为正样本，并且在剩余的网格中挑选百分之5的原子作为负样本。其中绿色的点为正样本，红色的点为负样本。
2.3 图神经网络方法
作者训练了两个基于图的神经网络：第一个方法考虑了网格点与周围蛋白质原子之间的距离。第二种方法利用了额外的氨基酸特异性的信息。二者模型结构类似，输入的节点信息和边的信息分开建模，节点的特征是通过transformer的多头注意力机制来进行传播的，并对最后的输出取平均，边的特征是通过线性变换层和（ReLU）激活函数来进行传递边的消息。模型输出结果为一个特定的网格点是一个口袋点(1)或不是口袋点(0)的概率值。
实验结果
3.1 基准比较
如图3所示，LC表示为配体重原子网格点1.8 A内的配体重原子数的加权。PC表示为距离任何配体重原子不超过1.8 A的网格点数量加权，DVO表示为口袋内的网格点和配体网格点的1.8A内原子数交集的加权。作者选用Fpocket 以及 PUResNet作为比较的基准方法，SiteRadar (考虑氨基酸特异性)和SiteRadar (几何)方法分别可以分别正确检测出0.76和0.82的绑定位点，Fpocket 以及PUResNet只能识别出0.71和0.46。
3.2 鉴定NADH氧化酶中浅溶剂暴露的结合位点
通过计算的方法目前较难识别NADH氧化酶表面的结合位点，如图4左处所示，SiteRadar (考虑氨基酸特异性)方法可以很好地定位结合位点，并且不检测到任何假阳性的口袋，SiteRadar (几何)方法则没有完整的识别潜在绑定位点，并且只检测到由19个网格点形成的部分结合位点。此外，几何模式检测到位于感兴趣的结合位点附近的一个额外的空腔。
结论
SiteRadar在预测真实结合位点位置和体积参数方面准确度较高。蛋白与配体的图结构信息是通过等变的图神经网络来传递的，因此不用考虑蛋白质的初始位置、旋转状态等信息，此外，在变构暴露、PPI位点和共价配体结合的空腔的识别方面也有显著的优势。作者提出的基于几何的模型相较于考虑氨基酸特异性的方法在配体−蛋白结合位点识别上表现更好。SiteRadar在来自不同家族的不同蛋白质中发现了配体结合位点，并且预测的准确性并不依赖于与训练样本之间的序列相似性。Ppocket和PUResNet这两个方法有他们自己的不足之处，当利用Fpocket会显著增加时间，当然合成，体外评估也有较高的假阳性结果，而PUResNet检测出结合位点的能力差，往往会产生不合理的大口袋。SiteRadar提供了对配体−蛋白结合位点的高选择性检测，可以更好地加速药物设计的进程。
参考文献
Leelananda, S. P.; Lindert, S. Computational Methods in Drug Discovery. Beilstein J. Org. Chem. 2016, 12, 2694−2718
版权信息
本文系AIDD Pro接受的外部投稿，文中所述观点仅代表作者本人观点，不代表AIDD Pro平台，如您发现发布内容有任何版权侵扰或者其他信息错误解读，请及时联系AIDD Pro (请添加微信号sixiali_fox59)进行删改处理。
原创内容未经授权，禁止转载至其他平台。有问题可发邮件至sixiali@stonewise.cn
