English(EN) Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding

新框架改进蛋白质-配体结合预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-19 14:33

研究人员开发了HCLBind，一个旨在改进蛋白质-配体结合亲和力预测的新自监督框架，特别适用于复杂的多域蛋白质。该方法通过采用分层诱饵策略，将表示学习与亲和力回归解耦，该策略能够捕捉局部理化约束和全局构象几何。通过集成一个域门控图注意力网络和跨模态注意力，HCLBind能有效优先处理域接口，并在PDBBind数据集上展示出稳健的不确定性估计。 AI

影响引入了一种新颖的蛋白质-配体结合预测方法，有望加速药物发现和生物学研究。

排序理由该集群包含一篇详细介绍科学问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jian K. Liu · 2026-05-19 14:33

Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding

Predicting protein-ligand binding affinity remains intractable for multi-domain proteins, where inter-domain dynamics govern molecular recognition. Existing geometric deep learning methods typically treat proteins as monolithic static graphs, suffering from rigid-body assumptions…

报道来源 [1]

Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding

相关话题