CholBindNet：一种用于胆固醇结合位点分类的可解释神经网络

《Communications Chemistry》：CholBindNet as an interpretable neural network for cholesterol-binding site classification

　　

摘要

胆固醇是调节膜蛋白结构和功能的关键因素，但由于其非药物类的物理化学性质，预测胆固醇结合位点仍然具有挑战性。在这里，我们整理了800多个含有胆固醇的高分辨率跨膜蛋白结构，并开发了一种可解释的、基于原子的图神经网络，称为CholBindNet。由于胆固醇结合的广泛性，负样本非常稀缺，因此采用了正样本无标签（PU）的训练策略。我们发现CholBindNet的性能显著优于在通用配体结合数据集上训练的现有机器学习模型，包括AlphaFold3、P2Rank和DiffDock。通过在Anton3超级计算机上使用全原子分子动力学（MD）模拟，快速评估PIEZO2离子通道中的胆固醇结合位点，进一步证明了该模型在未见过的膜蛋白上的性能和泛化能力。此外，通过原子级特征编码、Grad-CAM可视化和基于注意力的评分分析，CholBindNet实现了强大的模型可解释性。总体而言，CholBindNet提供了一种高效且可扩展的方法，用于分类和排名膜蛋白上的胆固醇结合位点，其性能可与计算成本高昂的MD模拟相媲美，同时提供了超出氨基酸序列的原子级空间模式的丰富生物物理见解。这项工作为未来针对膜蛋白药物结合位点和胆固醇调节疗法的深度学习模型奠定了基础。

此图像的替代文本可能是由AI生成的。