DrugClip全文翻译

DrugCLIP通过将虚拟筛选定义为密集检索任务，并使用对比学习来对齐结合蛋白口袋和分子的表示，这些表示来自大量没有明确结合亲和力评分的成对数据。DrugCLIP还引入了一种生物知识启发的数据增强策略，以学习更好的蛋白质分子表示。大量实验表明，在各种虚拟筛选基准上，DrugCLIP显著优于传统的对接和监督学习方法，并且大大减少了计算时间，特别是在零样本设置下。DrugCLIP被提出，这是一种密集检索方法，它计算两个单独的预训练编码器之间的对比损失，以最大化蛋白质-分子对之间的相似性。与监督学习方法相比，对比学习方法有几个优点。首先，寻找蛋白质与分子之间的匹配关系的目标自然符合虚拟筛选任务的制定。其次，设计的对比损失减轻了对binding亲和力标注的依赖，有利于在PDBBind等密集标注的小数据集之外使用大规模未标注数据。DrugCLIP中还引入了一种生物学知识启发的增强方法，HomoAug，它基于蛋白质同源进化创建蛋白质-分子对。最后，密集检索设置允许离线预计算蛋白质和分子编码，为在线推理提高效率，并有望对数十亿分子进行高通量虚拟筛选。