RA-PLA: Retrieval-augmented graph convolutional networks for protein-ligand binding affinity prediction.

چکیده اصلی

Protein-ligand binding affinity (PLA) prediction is essential for computational drug discovery, yet existing deep learning methods typically employ a single globally trained model that fails to adapt to individual query samples. In this paper, we propose a novel end-to-end framework that retrieves hard protein-ligand pairs-samples whose nearest neighbors have conflicting labels under manifold smoothness constraints-and integrates them via a semi-supervised graph convolutional network (GCN). For each query, we automatically construct a graph where nodes represent protein-ligand pairs and edges encode pairwise similarities. Our model jointly learns joint descriptors, graph topology, and the GCN predictor. During inference, we fine-tune the model per query using its retrieved hard neighbors.We evaluate on four benchmarks: PDBbind, Davis, KIBA, and BindingDB. Our method consistently outperforms state-of-the-art approaches. On Davis, we achieve a Concordance Index (CI) of 0.952 ± 0.005 (1.6% improvement over NerLTR-DTA) and AUPR of 0.815 ± 0.005 (7.6% improvement). On KIBA, we achieve CI of 0.916 ± 0.002 and AUPR of 0.871 ± 0.005, outperforming DeepCDA by 2.7% and 5.9%, respectively. On PDBbind, our CI of 0.894 ± 0.002 represents an 11.4% improvement over PLA-MoRe. On BindingDB, we achieve AUPR of 0.518 ± 0.009 (5.9% improvement over DeepCDA). In cold-target generalization across four unseen protein families, we achieve average AUPR improvements of 15.5%. Paired t-tests confirm statistical significance (p < 0.05), and ablation studies validate that both hard sample retrieval and end-to-end learning are essential for performance gains. Our framework demonstrates that query-specific adaptation significantly enhances both accuracy and generalization in PLA prediction.

ترجمه فارسی چکیده

پیش‌بینی قدرت پیوند پروتئین-لیگاند (PLA) برای کشف داروی محاسباتی ضروری است، اما روش‌های یادگیری عمیق موجود معمولاً از یک مدل سراسری استفاده می‌کنند که به نمونه‌های پرس‌وجو انطباق‌پذیر نیستند. در این مقاله، یک چارچوب سراسری جدید پیشنهاد می‌کنیم که جفت‌های سخت پروتئین-لیگاند را بازیابی می‌کند (نمونه‌هایی که همسایگان نزدیک آن‌ها برچسب‌های متضاد دارند) و آن‌ها را از طریق یک شبکه همبستگی گرافیکی نیمه‌نظارتی ادغام می‌نماید. برای هر پرس‌وجو، یک گراف به صورت خودکار می‌سازیم که گره‌های آن جفت‌های پروتئین-لیگاند و لبه‌ها شباهت‌های دوتایی را کدگذاری می‌کنند. مدل ما همزمان توصیف‌گرهای مشترک، توپولوژی گراف و پیش‌بینی‌کننده GCN را یاد می‌گیرد. در زمان استنتاج، مدل را برای هر پرس‌وجو با استفاده از همسایگان سخت بازیابی‌شده تنظیم دقیق می‌کنیم. ما را روی چهار پایگاه داده ارزیابی می‌کنیم: PDBbind، Davis، KIBA و BindingDB. روش ما همواره بر روی رویکردهای پیشرو عملکرد بهتری دارد. در Davis، شاخص همسانی (CI) 0.952 ± 0.005 (بهبود 1.6 درصدی نسبت به NerLTR-DTA) و AUPR 0.815 ± 0.005 (بهبود 7.6 درصدی) را به دست می‌آوریم. در KIBA، CI 0.916 ± 0.002 و AUPR 0.871 ± 0.005 را به دست می‌آوریم که به ترتیب 2.7 و 5.9 درصد بهتر از DeepCDA هستند. در PDBbind، CI 0.894 ± 0.002 ما بهبود 11.4 درصدی نسبت به PLA-MoRe را نشان می‌دهد. در BindingDB، AUPR 0.518 ± 0.009 (بهبود 5.9 درصدی نسبت به DeepCDA) را به دست می‌آوریم. در فرضیه‌سازی کلی هدف سرد در چهار خانواده پروتئین دیده‌نشده، میانگین بهبودهای AUPR 15.5 درصدی را به دست می‌آوریم. آزمون‌های t جفت‌شده اهمیت آماری را تأیید می‌کنند (p < 0.05) و مطالعات حذف نشان می‌دهند که هر دو بازیابی نمونه سخت و یادگیری سراسری برای بهبود عملکرد ضروری هستند. چارچوب ما نشان می‌دهد که انطباق‌پذیری خاص پرس‌وجو به طور قابل توجهی دقت و فرضیه‌سازی را در پیش‌بینی PLA بهبود می‌بخشد.

متن کامل اصلی