几何感知交互图网络

3D结构全面建模

在统一框架中同时保留空间距离、极角和二面角信息，并引入类型级与分子级交互，亲和力预测比现有图神经网络更准确。

Li, Shuangli · Zhou, Jingbo · 徐童 · 黄亮 · Fan, Wang · 熊昊一 · Weili, Huang · Dejing, Dou · Xiong, Hui

IEEE Transactions on Knowledge and Data Engineering 2023

技术优势

保留完整3D几何信息

在统一框架中同时保留空间距离、极角和二面角信息，使模型能捕捉对结合亲和力至关重要的三维结构特征。

捕获长程相互作用

引入类型级和分子级交互，通过重构损失和成对注意力池化识别关键原子，从而对复杂表示进行语义级建模。

预测精度更高

在两个基准数据集上的实验表明，GIANT的性能优于现有GNN方法。

应用场景

• 药物虚拟筛选：快速准确地预测结合亲和力，加速候选药物排序。
• 先导化合物优化：评估结构修饰对亲和力的影响，指导先导化合物改造。
• 酶底物亲和力预测：预测酶与底物的结合强度，辅助酶功能研究。
• 抗体-抗原结合预测：预测抗体与抗原的亲和力，加速抗体设计。
• 蛋白质工程：预测突变对结合亲和力的影响，指导蛋白质理性设计。