融合图Transformer和Vina-GPU+的多模态虚拟筛选新方法

摘要

现代药物发现面临对大规模化合物库进行虚拟筛选的挑战，提高分子对接的速度与精度是核心问题. AutoDock Vina是最受欢迎的分子对接工具之一，我们的Vina-GPU和Vina-GPU+方法在确保对接准确性的同时，分别实现了对AutoDock Vina最高50倍和65.6倍的加速.近年来，大规模预训练模型在自然语言处理和计算机视觉领域取得了巨大成功，这种范式对解决虚拟筛选面临的重大挑战也具有巨大潜力.因此，提出一种多模态虚拟筛选新方法 Vina-GPU GT，结合了Vina-GPU+分子对接技术和预训练的Graph Transformer (GT)模型，以实现快速精确的虚拟筛选.该方法包括三个连续步骤：（1）通过对已有分子属性预测的预训练GT模型进行知识蒸馏，学到一个小的SMILES Transformer (ST)模型；（2）通过ST模型推理化合物库中所有分子，并根据主动学习规则微调ST模型；（3）利用微调后的ST模型进行虚拟筛选.在三个重要靶点和两个化合物库上进行了虚拟筛选实验，并与两种虚拟筛选方法进行了比较，结果表明，Vina-GPU GT的虚拟筛选性能最优.

关键词

虚拟筛选 / Graph Transformer / Vina-GPU+ / 多模态 / 知识蒸馏 / 主动学习