SE(3)-Equivariant Ternary Complex Prediction Towards Target Protein Degradation
作者: Fanglei Xue, Meihan Zhang, Shuqi Li, Xinyu Gao, James A. Wohlschlegel, Wenbing Huang, Yi Yang, Weixian Deng
发布时间: 2025-02-27
来源: arxiv
研究方向: 药物发现、蛋白质降解、深度学习
主要内容
本文介绍了一种名为DeepTernary的深度学习模型，用于预测由PROTACs和MG(D)s诱导的蛋白质降解过程中的三元复合物结构。该模型利用SE(3)-等变图神经网络，通过编码器-解码器架构直接预测三元结构，并展示了在现有PROTAC基准测试中的优异准确性和速度。
主要贡献
1. 创建了一个名为TernaryDB的大型三元复合物数据集，包含超过20,000个三元复合物。
2. 设计并实现了DeepTernary模型，该模型能够有效地预测PROTACs和MG(D)s诱导的三元复合物结构。
3. DeepTernary在PROTAC和MG(D)基准测试中取得了最先进的性能，证明了其在药物发现中的应用潜力。
4. 实验结果表明，DeepTernary预测的三元复合物结构的埋藏表面积与实验获得的降解效力相关指标相关联。
研究方法
1. 图神经网络（GNN）
2. SE(3)-等变图神经网络
3. 编码器-解码器架构
4. 注意力机制
5. TernaryDB数据集
6. RDKit工具
实验结果
DeepTernary在PROTAC和MG(D)基准测试中取得了最先进的性能，其DockQ分数分别为0.65和0.21，平均推理时间分别为约7秒和1秒。此外，DeepTernary预测的三元复合物结构的埋藏表面积与实验获得的降解效力相关指标相关联。
未来工作
未来工作可能包括扩展训练数据集，将低分辨率实验数据集纳入模型训练，以及将DeepTernary应用于更广泛的药物发现领域。