GLOW e IVES I Ricercatori di Stanford Sfruttano il Deep Learning per Trasformare il Docking Molecolare e la Predizione della Posizione di Legame del Ligando

GLOW e IVES I Ricercatori di Stanford Rivoluzionano il Docking Molecolare e la Predizione della Posizione di Legame del Ligando grazie al Deep Learning

Il deep learning ha il potenziale per migliorare il docking molecolare attraverso il miglioramento delle funzioni di punteggio. I protocolli di campionamento attuali spesso necessitano di informazioni preliminari per generare posizioni precise di legame al ligando, limitando l’accuratezza della funzione di punteggio. Due nuovi protocolli, GLOW e IVES, sviluppati dai ricercatori dell’Università di Stanford, affrontano questa sfida e dimostrano un’efficacia migliorata nel campionamento delle pose. Il benchmarking su diverse strutture proteiche, incluso quelle generate da AlphaFold, convalida i metodi.

Il deep learning nel docking molecolare spesso si basa su dataset di docking proteici rigidi, trascurando la flessibilità delle proteine. Mentre il docking flessibile considera la flessibilità proteica, tende ad essere meno accurato. GLOW e IVES sono protocolli di campionamento avanzati che affrontano queste limitazioni, superando costantemente i metodi di riferimento, in particolare nelle tasche di legame dinamiche. Promettono di migliorare il campionamento della posa del ligando nel docking proteina-ligando, che è fondamentale per migliorare le funzioni di punteggio basate sul deep learning.

Il docking molecolare prevede il posizionamento del ligando nei siti di legame delle proteine, che è cruciale per la scoperta dei farmaci. I metodi convenzionali affrontano sfide nella generazione delle posizioni accurate del ligando. Il deep learning può migliorare l’accuratezza, ma si basa su un campionamento efficace della posa. GLOW e IVES migliorano il campionamento per scenari complessi, aumentando l’accuratezza. Applicabili a strutture proteiche non legate o previste, comprese quelle generate da AlphaFold, offrono dataset curati e codice Python open-source.

• Tecniche RAG avanzate una panoramica illustrata
• Come utilizzare Github? Guida passo-passo
• Upstage svela Solar-10.7B Modelli di linguaggio di grandi dimensioni con profondità di scala e precisione raffinate per le conversazioni a singolo turno all’avanguardia.

GLOW e IVES sono due protocolli di campionamento della posa per il docking molecolare. GLOW utilizza un potenziale di van der Waals ammorbidito per generare le posizioni del ligando, mentre IVES migliora l’accuratezza incorporando multiple conformazioni proteiche. I confronti delle prestazioni con metodi di riferimento mostrano la superiorità di GLOW e IVES. La valutazione dei set di test misura le percentuali di posizione corretta nei casi di docking incrociato. La qualità della posa iniziale è fondamentale per l’efficienza di IVES, con il punteggio Smina docking e il punteggio utilizzato per la selezione.

GLOW e IVES hanno superato i metodi di riferimento nel campionamento accurato delle posizioni del ligando, eccellendo in scenari complessi e nei benchmark di AlphaFold con significativi cambiamenti conformazionali delle proteine. La valutazione dei set di test ha confermato la loro maggiore probabilità di campionare posture corrette. IVES, generando multiple conformazioni proteiche, offre vantaggi per il deep learning geometrico sulle strutture proteiche, raggiungendo prestazioni paragonabili a Schrodinger IFD-MD con meno conformazioni. I dataset di pose del ligando per 5.000 coppie proteina-ligando generati da GLOW e IVES sono forniti, favorendo lo sviluppo e la valutazione di funzioni di punteggio basate sul deep learning nel docking molecolare.

In conclusione, GLOW e IVES sono due potenti metodi di campionamento della posa che si sono dimostrati più efficaci rispetto alle tecniche di base, in particolare in scenari difficili e nei benchmark di AlphaFold. Con IVES possono essere generate multiple conformazioni proteiche, il che è molto vantaggioso per il deep learning geometrico. Inoltre, i dataset forniti da GLOW e IVES, contenenti pose del ligando per 5.000 coppie proteina-ligando, sono risorse preziose per i ricercatori che lavorano su funzioni di punteggio basate sul deep learning nel docking molecolare.