論文の概要: Edge-aware GAT-based protein binding site prediction

• arxiv url: http://arxiv.org/abs/2601.02138v1
• Date: Mon, 05 Jan 2026 14:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.166724
• Title: Edge-aware GAT-based protein binding site prediction
• Title（参考訳）: エッジ認識型GATによるタンパク質結合部位の予測
• Authors: Weisen Yang, Hanqing Zhang, Wangren Qiu, Xuan Xiao, Weizhong Lin,
• Abstract要約: 生体分子間の結合部位のきめ細かい予測のためのエッジ対応グラフ注意ネットワーク(Edge対応GAT)モデルを提案する。 本手法は原子レベルのグラフを構築し,幾何学的記述子を含む多次元構造特徴を統合する。 本モデルでは,タンパク質結合部位予測のためのROC-AUCの0.93を達成し,いくつかの最先端手法より優れている。
• 参考スコア（独自算出の注目度）: 3.3941174310007685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of protein binding sites is crucial for understanding biomolecular interaction mechanisms and for the rational design of drug targets. Traditional predictive methods often struggle to balance prediction accuracy with computational efficiency when capturing complex spatial conformations. To address this challenge, we propose an Edge-aware Graph Attention Network (Edge-aware GAT) model for the fine-grained prediction of binding sites across various biomolecules, including proteins, DNA/RNA, ions, ligands, and lipids. Our method constructs atom-level graphs and integrates multidimensional structural features, including geometric descriptors, DSSP-derived secondary structure, and relative solvent accessibility (RSA), to generate spatially aware embedding vectors. By incorporating interatomic distances and directional vectors as edge features within the attention mechanism, the model significantly enhances its representation capacity. On benchmark datasets, our model achieves an ROC-AUC of 0.93 for protein-protein binding site prediction, outperforming several state-of-the-art methods. The use of directional tensor propagation and residue-level attention pooling further improves both binding site localization and the capture of local structural details. Visualizations using PyMOL confirm the model's practical utility and interpretability. To facilitate community access and application, we have deployed a publicly accessible web server at http://119.45.201.89:5000/. In summary, our approach offers a novel and efficient solution that balances prediction accuracy, generalization, and interpretability for identifying functional sites in proteins.
• Abstract（参考訳）: タンパク質結合部位の正確な同定は、分子間相互作用のメカニズムを理解し、薬物標的を合理的に設計するために重要である。 従来の予測手法は、複雑な空間的コンフォメーションをキャプチャする際、予測精度と計算効率のバランスをとるのに苦労することが多い。 この課題に対処するために、タンパク質、DNA/RNA、イオン、配位子、脂質を含む様々な生体分子間の結合部位のきめ細かい予測のためのエッジ対応グラフ注意ネットワーク(Edge-aware Graph Attention Network, GAT)モデルを提案する。 本手法は原子レベルのグラフを構築し,幾何記述子,DSSP由来二次構造,相対溶媒アクセシビリティ(RSA)などの多次元構造特徴を統合し,空間的に認識された埋め込みベクトルを生成する。 原子間距離と方向ベクトルを注目機構のエッジ特徴として組み込むことで、モデルはその表現能力を大幅に向上させる。 ベンチマークデータセットでは,タンパク質結合部位予測のためのROC-AUCが0.93で達成され,最先端の手法よりも優れていた。 指向性テンソル伝搬と残差レベルのアテンションプールの使用により、結合部位の局在化と局所構造の詳細の捕捉がさらに改善される。 PyMOLを用いた可視化は、モデルの実用性と解釈可能性を確認する。 コミュニティアクセスとアプリケーションを容易にするため、私たちはhttp://119.45.201.89:5000/に公開アクセス可能なWebサーバをデプロイしました。 まとめると、本手法はタンパク質の機能的部位を特定するための予測精度、一般化、解釈可能性のバランスをとる、新規で効率的なソリューションを提供する。

関連論文リスト

• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• CWFBind: Geometry-Awareness for Fast and Accurate Protein-Ligand Docking [15.32873543470471]
  局所曲率特性に基づく重み付き高速かつ高精度なドッキング法であるCWFBindを紹介する。 CWFBindは、複数のドッキングベンチマークで競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-13T05:15:10Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Protein 3D structure-based neural networks highly improve the accuracy in compound-protein binding affinity prediction [7.059949221160259]
  我々は,タンパク質3D構造情報の複合タンパク質結合親和性(CPAs)予測への応用を容易にするために,高速進化的注意と粗いグラフニューラルネットワーク(FeatNN)を開発した。 FeatNNはCPA予測において様々な最先端のベースラインをかなり上回り、ピアソン値は約35.7%上昇した。
  論文  参考訳（メタデータ） (2022-03-30T00:44:15Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。