bioRxiv 预印本· Turano, L., Foley, B., Dennis, R., Gatlin, W., Verkhivker, G. ·· 17 小时前AI 评分22
深度学习模型预测蛋白-配体结合构象：变构口袋准确率差距源于能量景观拓扑而非算法缺陷
Frustration Quenching and Network Topology of the Energy Landscape as Primary Determinants of Protein-Ligand Binding Pose Prediction by Deep Learning Models
AI 导读
深度学习共折叠与对接模型在正构位点能准确预测配体结合构象，但在变构口袋系统性表现不佳。研究通过对多个基准和未整理数据集评估发现，AI预测成功率与配体结合时的frustration quenching幅度密切相关：正构口袋是高介数通信枢纽，变构位点则位于低介数外周区域、frustration分布碎片化。多构象采样能力是跨越能垒、发现frustration漏斗的必要条件。
来源：bioRxiv 预印本 · biorxiv.org