DynamicBind: Predicting ligand-specific protein-ligand complex structure with a deep equivariant generative model

药物发现 虚拟筛选 分子动力学 对接(动物) 计算机科学 计算生物学 蛋白质结构 配体(生物化学) 等变映射 生物系统 化学 生物信息学 计算化学 生物 数学 医学 生物化学 护理部 受体 纯数学
作者
Wei Lu,Jixian Zhang,Weifeng Huang,Ziqiao Zhang,Xiangyu Jia,Zhenyu Wang,Leilei Shi,Chengtao Li,Peter G. Wolynes,Shuangjia Zheng
出处
期刊:Research Square - Research Square 被引量:2
标识
DOI:10.21203/rs.3.rs-3225151/v1
摘要

Abstract While significant advances have been made in predicting static protein structures, the inherent dynamics of proteins, modulated by ligands, are crucial for understanding protein function and facilitating drug discovery. Traditional docking methods, frequently used in studying protein-ligand interactions, typically treat proteins as rigid. While molecular dynamics simulations can propose appropriate protein conformations, they’re computationally demanding due to rare transitions between biologically relevant equilibrium states. In this study, we present DynamicBind, a novel method that employs equivariant geometric diffusion networks to construct a smooth energy landscape, promoting efficient transitions between different equilibrium states. DynamicBind accurately recovers ligand-specific conformations from unbound protein structures without the need for holo-structures or extensive sampling. Remarkably, it demonstrates state-of-the-art performance in docking and virtual screening benchmarks. Our experiments reveal that DynamicBind can accommodate a wide range of large protein conformational changes and identify novel cryptic pockets in unseen protein targets. As a result, DynamicBind shows potential in accelerating the development of small molecules for previously undruggable targets and expanding the horizons of computational drug discovery.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
幽梦完成签到,获得积分10
刚刚
松本润不足完成签到,获得积分10
1秒前
MRIFFF完成签到,获得积分10
1秒前
图南发布了新的文献求助10
2秒前
这个大头张呀完成签到,获得积分10
2秒前
呆小仙完成签到,获得积分10
2秒前
炸鸡发布了新的文献求助10
2秒前
姚安白完成签到,获得积分10
2秒前
脑洞疼应助一禾生采纳,获得10
2秒前
打打应助陶军辉采纳,获得10
2秒前
3秒前
3秒前
3秒前
clxgene完成签到,获得积分10
3秒前
3秒前
李健的小迷弟应助周周采纳,获得10
3秒前
聪仔应助zfy采纳,获得10
3秒前
潇洒的天与完成签到,获得积分10
3秒前
Muller完成签到,获得积分10
3秒前
培a完成签到,获得积分10
4秒前
wang完成签到,获得积分10
4秒前
活力香菇发布了新的文献求助10
4秒前
勤恳风华完成签到,获得积分10
5秒前
kassy完成签到,获得积分10
5秒前
5秒前
5秒前
AaronDon完成签到,获得积分10
5秒前
79完成签到 ,获得积分10
6秒前
乐乐发布了新的文献求助10
8秒前
朴实的绿兰完成签到 ,获得积分10
8秒前
叁丘山发布了新的文献求助10
8秒前
维c泡腾片完成签到,获得积分10
8秒前
8秒前
图南完成签到,获得积分10
9秒前
quzhenzxxx完成签到 ,获得积分10
9秒前
不秃头完成签到,获得积分10
9秒前
一蓑烟雨任平生完成签到,获得积分10
9秒前
一禾生完成签到,获得积分10
9秒前
1sunpf完成签到,获得积分10
10秒前
spf完成签到,获得积分10
10秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244993
求助须知:如何正确求助?哪些是违规求助? 2888654
关于积分的说明 8254529
捐赠科研通 2557066
什么是DOI,文献DOI怎么找? 1385741
科研通“疑难数据库(出版商)”最低求助积分说明 650214
邀请新用户注册赠送积分活动 626422