多域蛋白质-配体结合的分层对比学习

对于多域蛋白质来说，预测蛋白质-配体结合亲和力仍然很困难，因为域间动力学控制着分子识别。现有的几何深度学习方法通​​常将蛋白质视为整体静态图，受到刚体假设和灵活区域中的任意噪声的影响。为了解决这个问题，我们引入了 HCLBind，一个自我监督的框架，它将几何表示学习与亲和力回归分离。 HCLBind 利用 Q-BioLiP 数据库上的通用到特定的 预训练 范例来学习强大的物理结合语法。我们提出了一种新颖的分层诱饵策略：该模型通过单域蛋白质中的蛋白质坐标扰动来学习局部物理化学约束，并通过多域复合物中的域间旋转来学习全局构象几何。我们的混合架构集成了域门控图注意力网络和跨模式注意力，以明确优先考虑域接口。此外，我们在蛋白质和配体基础模型上采用 LoRA，确保高效优化，同时保留进化知识。 PDBBind 上的实验表明，HCLBind 可以有效学习有判别性的界面特征，并提供鲁棒的不确定性估计，克服了标准监督学习的局限性。代码可在 https://github.com/jiankliu/HCLBind 获取。