LiBRe: Ein ligandbewusstes, sequenzbasiertes Modell zur Vorhersage von Bindungsstellen für das virtuelle Screening

Die Identifizierung von Protein-Ligand-Bindungsstellen ist grundlegend, um molekulare Erkennung zu verstehen und die therapeutische Entwicklung voranzutreiben. Sequenzbasierte Deep-Learning-Modelle zur Vorhersage von Protein-Ligand-Bindungsstellen haben aufgrund ihrer Skalierbarkeit und der Fähigkeit, ohne Strukturinformationen zu arbeiten, Aufmerksamkeit erlangt. Allerdings konzentrieren sich die meisten bestehenden Methoden hauptsächlich auf die Proteinsequenzinformationen, ohne Ligandinformationen zu berücksichtigen, obwohl Bindungsstellen per Definition durch Interaktionen mit spezifischen Liganden definiert sind. Zur Lösung dieses Problems schlagen wir ein ligandbewusstes, sequenzbasiertes Modell zur Vorhersage von Bindungsstellen vor, das sowohl Residuebene-Informationen aus Proteinsequenzen als auch Ligandinformationen explizit einbezieht. Das vorgeschlagene Modell erzielte signifikante Verbesserungen bei der Vorhersage ligandbindender Residuen und übertraf sowohl bestehende sequenzbasierte als auch strukturbasierte Baselines. Darüber hinaus führten von unserem Modell prognostizierte Ligandbindungsstellen zu einer stärkeren und stabileren Bindungsaffinität im Vergleich zu vorhandenen Werkzeugen. Diese Ergebnisse zeigen, dass unser Modell erhebliches Potenzial für Anwendungen im virtuellen Screening und in der Wirkstoffentdeckung besitzt. Unser Quellcode ist öffentlich verfügbar unter https://github.com/GoldRiver0/LiBRe.