【AI人工智能】AI在医学领域的应用实战案例：基于3D卷积神经网络的结合口袋预测工具：DeepPocket.zip资源-CSDN文库

共2个文件

zip：1个

pdf：1个

版权申诉

47 浏览量 2022-02-23 16:52:44 上传评论收藏 809KB ZIP 举报

资源推荐

资源详情

资源评论

收起资源包目录

package

【AI人工智能】AI在医学领域的应用实战案例：基于3D卷积神经网络的结合口袋预测工具：DeepPocket.zip （2个子文件）

folder

【AI人工智能】AI在医学领域的应用实战案例：基于3D卷积神经网络的结合口袋预测工具：DeepPocket

代码说明.pdf 822KB

DeepPocket-main.zip 27KB

1

引言

此前，大部分预测工具根据蛋白质的三维结构特点进行结合位点预测。配体与

蛋白结合获得高亲和力的前提是结合在蛋白质表面的孔洞或者空腔内，这样才

能有足够大的接触界面。

图 1：蛋白质表面结合位点示意图

下表展示了目前主流的配体结合位点预测工具信息。这些工具一般分为两类，

一类是对蛋白质结构进行空间几何测量，侦测蛋白质表面凹槽或者空腔；另外

一类是通过在蛋白质表面设置探针进行评估能量势来预测空腔。

表 1：配体结合位点预测工具

随着计算机技术的发展，神经网络和机器学习被运用于结合位点的探测，深度

学习模型基于概念层次原理，将相互连接的神经元层堆叠起来，即通过从简单

概念构建复杂概念来学习复杂概念。这些算法已被证明在计算机视觉和自然语

言处理方面取得了巨大的进步。例如，卷积神经网络(CNN)在图像识别方面表现

出了最先进的性能。

DeeplyTough 是一种基于 CNN 的孪生神经网络，通过将口袋编码成描述向量，

使用欧几里得距离来比较口袋的方法。DeepSite 采用了类似于 P2Rank 的方法，

它使用 CNN 对蛋白表面的所有点进行评分，并对所有得分高的点进行聚类，生

成候选结合口袋。Kalasanty 将整个蛋白结构通过一个受 U-Net 启发的基于 CNN

的细化模型，一步生成预测的结合位点。它赋予每个体素作为口袋一部分的概

率。在结合位点检测方面，它的性能优于 DeepSite。

图 2：DeepPocket 工作原理

这里，研究者提出了一种新的基于 3D 卷积神经网络的结合口袋预测工具：

DeepPocket。它能精确预测蛋白质的三维结构中的配体结合位点。DeePocket

采用多步骤方法从三维结构中预测最终的口袋位置和形状。首先，DeepPocket

去除输入结构中的杂原子和溶剂分子。然后，利用 Fpocket 计算每个预测口袋的

质心，将大小恒定的网格放置于质心，并利用 CNN 打分函数进行评估，top 格

点再使用 CNN 分段模型进行最终口袋的构建。

2

DeepPocket 预测性能

内容反馈

版权申诉

普通网友

粉丝: 12w+
资源:
9335

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip