普渡大学: 利用深度学习方法建立蛋白质互相作用模型，加快新药研究-肽度TIMEDOO
DOVE, created by Purdue researchers, captures structural and energetic features of the interface of a protein docking model with a 3D box and judges if the model is more likely to be correct or incorrect using 3D convolutional neural network. (Image provided)

TIMEDOO肽度（微信号：Time-doo）获悉，普渡大学的研究人员开发了一种新的深度学习算法，称为DOVE，它可以改进蛋白质的建模，并有助于研发新药。
人体含有两万多种不同类型的蛋白质，它们之间的相互作用才使得生命得以持续。目前，科学家已经开发了蛋白质对接的模型来估算两个蛋白质是如何相互作用的，但要对接模型的结果预测准确性还存在一定难度。普渡大学的研究人员开发了一种新的计算方法来解决这一难题。
DOVE是基于体素的深度神经网络对接诱饵选择的简称，它首先使用3D体素扫描所提出的蛋白质对接构型的蛋白质-蛋白质界面，同时考虑原子相互作用和能量贡献。通过输入3D特征数据，深度学习模型就会被训练成可以从一大组生成的模型中，识别出接近本地的模型。
“为了了解蛋白质复合体功能的分子机制，生物学家一直在使用X射线和显微镜等实验方法，但这些都是耗费时间和资源的工作，”领导该研究团队的普渡科学学院生物科学和计算机科学教授Daisuke Kihara说。我们实验室和其他机构的生物信息学研究人员一直在开发模拟蛋白质复合物的计算方法。一大挑战是，一种计算方法通常会生成数千个模型，选择正确的模型或对模型进行排序可能会很困难。
“我们的工作意味着生物信息学领域的重大进步，”研究生、研究团队成员小王(音译)说。“这可能是研究人员首次成功利用深度学习和3D功能来快速了解某些蛋白质模型的有效性。然后，这些信息可以用来创造有针对性的药物，以阻止某些蛋白质-蛋白质的相互作用。”

更多信息请参考：journal Bioinformatics: Protein docking model evaluation by 3D deep convolutional neural networks

编辑：梁洁