引言
在药物发现领域,虚拟筛选是识别潜在药物候选分子的重要手段。然而,传统的虚拟筛选方法面临资源和时间的瓶颈。随着深度学习技术的快速发展,Deep Docking (DD)平台应运而生,为大规模虚拟筛选带来了革命性的突破。本文将详细介绍DD技术在ZINC15数据库中的应用及其显著优势。
Deep Docking技术概述
Deep Docking (DD)是一种基于深度学习的药物发现平台,通过深度定量构效关系模型提高虚拟对接的速度与准确性。DD平台的核心在于迭代训练深度神经网络,逐步丢弃预测对接分数较低的分子,从而将需要对接的分子数量减少到总数的1%。这一技术显著降低了计算成本,使得在合理时间内对上十亿规模的大规模虚拟筛选成为可能。
ZINC15数据库的应用
ZINC15数据库是一个包含约13.6亿个分子的庞大化学库,是药物发现研究的重要资源。结合FRED对接程序,DD平台成功对ZINC15数据库中的13.6亿个分子进行了快速对接评分计算。具体应用如下:
- 初始训练、验证和测试集:DD平台的初始训练、验证和测试集各包含100万个分子,这些分子从ZINC15数据库中随机抽取并进行对接评分。根据评分结果,分子被分为虚拟命中类和非命中类。
- 迭代训练:从第二次迭代开始,训练集扩展为前一次迭代预测的命中分子,验证和测试集保持不变。通过逐步降低评分阈值,DD平台能够筛选出更具潜力的化合物。
- 活性配体的保留:DD平台在处理超大型对接数据库时,表现出对高对接评分分子的明显偏好。例如,在AR和ERα体系中,所有高评分的活性配体均被保留。
技术优势
DD平台在ZINC15数据库中的应用展示了其显著的技术优势:
- 计算效率:DD平台仅需不到400个CPU和40个GPU,即可在一周内完成对ZINC15数据库的筛选,大大缩短了虚拟筛选的时间。
- 筛选准确性:通过迭代训练和逐步降低评分阈值,DD平台能够筛选出最具潜力的化合物,提高了虚拟筛选的准确性。
- 开放性:DD平台已对外开放,支持基于结构的药物设计,为药物发现研究人员提供了便捷的工具。
未来展望
尽管DD平台在ZINC15数据库中的应用取得了显著成果,但仍有一些挑战需要克服。例如,如何进一步优化深度学习模型以提高筛选效率,以及如何整合更多异构数据源以提升预测性能。未来,随着深度学习技术的不断进步,DD平台有望在药物发现领域发挥更大的作用。
结论
Deep Docking技术通过深度学习模型显著提高了虚拟筛选的速度与准确性,为ZINC15数据库的大规模筛选提供了高效解决方案。这一技术的成功应用不仅加速了药物发现进程,也为基于结构的药物设计提供了新的可能性。未来,随着技术的不断优化,DD平台有望在药物发现领域取得更多突破。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...