Razvoj novih protokolov molekulskega sidranja z vključitvijo globokih nevronskih mrež

Srovin, Jure Vito (avtor), Ilc, Nejc (mentor), Sluga, Davor (komentor), Jukič, Marko (komentor)

Molekulsko sidranje je vrsta računalniške simulacije, katere naloga je odkriti način vezave majhne molekule ali liganda na večjo receptorsko molekulo. Uspešnost sidranja je odvisna od učinkovitosti iskalnega algoritma, ki preiskuje prostor možnih poz, ter cenilne funkcije, ki ocenjuje njihov potencial vezave znotraj vezavnega mesta. Zaradi sposobnosti učenja kompleksnih odvisnosti iz podatkov smo se odločili integrirati model globokega učenja v obstoječi protokol sidranja orodja CmDock. Izbrali smo model AQDnet, saj je ta dosegel odlične rezultate na primerjalni zbirki CASF-2016, in ga uporabili kot cenilno funkcijo med sidranjem. Poskusili smo ga integrirati na tri različne načine, pri čemer je bil model uspešen le pri ponovnem ocenjevanju sidranih poz. Sidranje z uporabo modela AQDnet je doseglo nekoliko boljši povprečen RMSD na 90 kompleksih iz zbirke DUD-E v primerjavi s cenilko CmDock, vendar pa je bila cenilka CmDock vseeno uspešnejša pri sidranju nekaterih kompleksov. Prav tako smo pospešili algoritem za generiranje značilk, ki jih model AQDnet potrebuje za podajanje ocen, in sicer za približno 20-krat.

• Jezik: Slovenski jezik
• Ključne besede: globoko učenje, molekulsko sidranje, cenilna funkcija
• Vrsta gradiva: Magistrsko delo/naloga
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2024
• PID: 20.500.12556/RUL-159229
• Datum objave v RUL: 04.07.2024

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Development of new protocols for molecular docking by incorporating deep neural networks

Izvleček

Molecular docking is a type of computer simulation aimed at finding the binding mode between a small molecule or ligand and a larger receptor molecule. The success of docking simulation depends on the efficiency of the search algorithm that explores the space of possible conformations and the scoring function that evaluates their binding potential within the binding site. Due to the ability to learn complex dependencies from data, we decided to integrate a deep-learning model into the existing docking protocol of the CmDock tool. We chose the AQDnet model because it achieved excellent results on the CASF-2016 benchmark and used it as a scoring function during docking. We tried to integrate it in three different ways, with the model being successful only in rescoring docked poses. Docking using the AQDnet model achieved a slightly better average RMSD on 90 complexes from the DUD-E dataset compared to the CmDock scoring function. However, the CmDock scoring function was still more successful when docking some of the complexes. We also accelerated the algorithm for feature generation required by the AQDnet model for scoring by about 20 times.

• Ključne besede: deep learning, molecular docking, scoring function