прогнозирование аффинности

В исследовании представлен OmniBind — инновационная многозадачная нейросетевая платформа, предназначенная для точного прогнозирования аффинности связывания лекарственных средств с белками-мишенями. В отличие от существующих методов, OmniBind использует механизм затворной фузии (gated fusion) для интеграции признаков аминокислотных последовательностей с дискретными токенами третичной структуры белков. Модель была обучена на колоссальном наборе данных, включающем более 2 миллионов пар соединение-белок из базы BindingDB, что позволяет ей одновременно предсказывать четыре фармакологических показателя за один проход. В ходе тестирования на временных и состязательных бенчмарках OmniBind превзошла современные аналоги, доказав, что она улавливает физико-химические принципы взаимодействия, а не просто запоминает паттерны совпадений. Особую значимость представляет способность модели к интерпретируемости: анализ внимания показал точное распознавание сайтов связывания, включая реакцию на мутацию T315I в остатке ABL1. Практическая проверка на протеоме из 20 421 человеческого белка показала, что модель успешно идентифицировала 85,7% известных клинических мишеней клозапина в топ-200 предсказаниях, эффективно разделяя его профиль от структурно схожего кломипрамина. Данная разработка открывает новые возможности для оптимизации лекарственных кандидатов, оценки побочных эффектов (off-target) и репозиционирования существующих препаратов.

В исследовании представлен XAttn-DTA — инновационный фреймворк для прогнозирования аффинности взаимодействия лекарства и мишени (DTA), который не требует экспериментально определенных структурных координат белков. Методология объединяет многослойные графовые сети внимания (GAT) для кодирования 2D-молекулярных графов лекарств и использование предсказанных карт контактов ESM2 для построения графов аминокислотных остатков белков. Ключевым элементом является модуль двунаправленного кросс-внимания, который позволяет лигандам и белковым средам взаимно обогащать друг друга в общем латентном пространстве. На бенчмарке Davis модель показала индекс конкордации (CI) 0,907 и MSE 0,175, что на 1,8% выше CI и на 9,3% ниже MSE по сравнению с лучшими аналогами. В тестах на наборе KIBA достигнуто снижение MSE на 13,6% (до 0,121). Особую значимость представляют результаты в условиях «холодного старта» (неизвестные структуры): на наборах Davis, KIBA и BindingDB модель показала снижение MSE до 79,0% и рост CI до 31,5%, что подтверждает её высокую способность к обобщению на новые химические каркасы и семейства белков.