多尺度扩张GCN亲和力预测模型

蛋白-配体亲和力预测新SOTA

通过多尺度交互融合与自适应机制，充分挖掘蛋白质和配体的细粒度与粗粒度特征，在CASF基准上达到先进预测精度。

王伟 · 刘栋 · Wu, Guangsheng · 周运

International Journal of Biological Macromolecules 2025

参数信息

皮尔逊相关系数

0.837

皮尔逊相关系数

0.803

技术优势

同时捕获细粒度与粗粒度特征

通过多尺度交互与融合机制，充分挖掘蛋白质和配体的潜在细粒度与粗粒度信息并进行融合。

克服传统GCN的局限

扩张图卷积网络结合多头注意力机制和扩张卷积，同时考虑蛋白质图中氨基酸节点之间的交互。

自适应融合多源信息

设计自适应门控循环单元，动态增强模型在自适应GCN中整合多源信息的能力。

应用场景

• 药物虚拟筛选：用高精度亲和力预测快速筛选化合物库，减少湿实验数量。
• 先导化合物优化：预测结构修饰后的亲和力变化，指导先导化合物改造。
• 药物重定位：评估已知药物对新的靶点的亲和力，加速重定位发现。
• 靶点发现：通过预测化合物与蛋白的亲和力辅助识别潜在靶点。
• ADMET预测：虽非直接预测ADMET，但其多尺度特征提取可迁移用于相关性质预测。