IGModel——提高基于 GNN与Attention 机制的方法在药物发现中的实用性
导言
深度学习在药物发现（发现治疗药物）领域的应用以及传统方法面临的挑战。
药物（尤其是我们将在本文中讨论的被称为抑制剂的药物）通过与在人体中发挥不良功能的蛋白质结合并改变这些蛋白质的功能来发挥治疗效果。因此，在设计药物时，必须优化这些结合的亲和力和药理特性，并准确预测蛋白质与药物之间的相互作用。
近年来，人们尤其提倡使用深度学习来分析它们之间的相互作用。这类模型的突出例子包括利用CNN的 AtomNet、Kdeep 和 Pafnucy，以及利用二维卷积网络进行分析的 OnionNet。然而，这些方法实际对接蛋白质和药物的成功率很低，在实用性方面面临挑战。
传统模型的另一个问题是无法同时表示RMSD（蛋白质与候选药物结合方式的指标）和 pKd（两者相互作用强度的指标）。这意味着在讨论候选药物时，无法从多个角度利用信息，因此希望能有所改进。