SO3LR-SF：基于机器学习力场的蛋白-配体打分框架

Agha, Hamza 等人提出物理打分框架 SO3LR-SF，可实例化于四种预训练 SO3LR 机器学习力场模型，用于评估蛋白-配体结合能。 在 PLA15 的 15 个活性位点模型上，SO3LR-SF 相对 DLPNO-CCSD(T) 参考的相互作用误差为 2.1%–5.8%，其中 SO3LR-T-M 为 2.1%，作者称其为所有测试方法中最低。在 FEP 基准（8 个靶点、264 个配体）上，各 SO3LR-SF 变体的平均 Spearman 相关系数约 0.50，与所测最佳半经验量子力学方法 GFN-FF（0.47）和 MMGBSA（0.44）相当，高于 Glide（0.27）。 在 Wang 数据集（8 个靶点、199 个配体）上，SO3LR-SF 约达 0.59，与基于分子动力学的自由能方法 0.59–0.62 的区间相当，而作者称其成本远低于后者。在 12 个 CPU 核心上，每个复合物的打分耗时为 3 秒至 47 秒。

AI 根据报道生成 · 5 天前更新