【翼享学术】复旦大学药学院王任小教授团队JCIM | 预测蛋白-配体亲合性的深度学习模型PLANET

背景：在药物设计领域，蛋白-配体亲合性是评估分子潜力的核心指标，精准高效的预测模型对提升药物发现成功率至关重要。随着人工智能技术在计算化学领域的深度渗透，深度学习驱动的亲合性预测模型逐步取代传统打分函数成为研究热点。研究目的：复旦大学药学院王任小教授团队提出一种基于图神经网络的创新模型PLANET，旨在实现更准确、更实用的蛋白-配体亲合性预测。该模型以蛋白结合口袋三维结构和配体二维结构为输入，通过多目标学习架构（包含配体构象预测、蛋白-配体相互作用预测及亲合性预测三大训练目标）进行训练，无需依赖预先获得的蛋白-配体复合物结构。结论：PLANET在CASF-2016测试集上展现出领先的打分和排序能力，并在虚拟筛选中性能与经典打分函数Glide SP相当，同时计算效率显著更高（耗时仅为后者的1%以下）。该模型通过多目标学习与高效设计，实现了准确性、实用性与效率的突破，为药物研发提供了高效的计算工具，有望加速创新药物的研发进程。