一种可解释的几何深度学习模型，用于基于结构的蛋白质结合位点预测

今天分享一篇以色列特拉维夫大学发表在Nature Methods 2022上关于蛋白质结合位点预测的文章:《ScanNet: an interpretable geometric deep learning model for structure-based protein binding site prediction》。从蛋白质的结构中预测其功能位点(如小分子、蛋白质或抗体的结合位点)，可以了解其在体内的功能。作者提出了一种端到端的、可解释的几何深度学习模型，根据原子和氨基酸相邻的空间化学排列建立了原子和氨基酸的3D表征，并利用它们来预测每个氨基酸的标签（属于结合位点概率）。该方法在蛋白质-蛋白质结合位点PPBS预测、抗体结合位点BCE预测这两个任务上均取得了较好的性能。此外，模型预测的一些SARS-CoV-2刺突蛋白的抗原表位，不仅被已知的抗原区域验证，而且还检测到之前未被发现的抗原区域。

文章地址： https://www.nature.com/articles/s41592-022-01490-7.pdf