TankBind：预测药物-蛋白结合结构与亲和力的强大工具

TankBind：预测药物-蛋白结合结构与亲和力的强大工具

TankBind Open source code for TankBind. Galixir Tenchnologies 项目地址: https://gitcode.com/gh_mirrors/ta/TankBind

项目介绍

TankBind 是一款基于神经网络的药物-蛋白结合结构预测工具。它不仅能够预测药物与蛋白之间的结合结构，还能预测它们的亲和力。该项目的源代码来源于 NeurIPS 2022 的论文《TANKBind: Trigonometry-Aware Neural NetworKs for Drug-Protein Binding Structure Prediction》，其目的是为了让研究者和开发者能够复现论文中的结果，并在此基础上进行进一步的研发。

项目技术分析

TankBind 的核心技术是基于三角函数的神经网络。这种网络结构使得模型在处理药物-蛋白结合预测时更为精准。项目使用 PyTorch 作为主要框架，并依赖于多种生物信息学库，如 Pyg、Biopython、RDKit 等，以实现数据集的构建、模型的训练与评估。

安装过程使用了 Conda 管理环境，确保了不同版本依赖的兼容性。此外，项目还提供了详细的安装指南和脚本，使得用户可以轻松搭建开发环境。

项目及技术应用场景

数据集构建

项目提供了构建训练和测试数据集的脚本，使用户能够根据自身需求快速搭建适用于 TankBind 的数据集。这对于模型的训练和评估至关重要。

自测评估

在项目中的 testset_evaluation_cleaned.ipynb 脚本中，包含了用于复现自测结果的代码。这可以帮助用户验证模型的有效性。

结构预测

以 ABL1 蛋白与 Imatinib 和 compound6（PDB: 6HD6）的复合体为例，项目展示了如何使用 TankBind 进行药物-蛋白结合结构的预测。

高通量虚拟筛选

TankBind 支持虚拟筛选功能，例如，对于 LRRK2 蛋白的 WDR 域，可以迅速筛选出 10,000 个药物候选分子（或约 3 小时筛选 1M 个候选分子），仅需单个 GPU。

项目特点

1. 预测精度高：基于三角函数的神经网络提高了预测的准确性。
2. 易于使用：详细的安装指南和脚本，简化了搭建过程。
3. 功能全面：除了结构预测，还支持亲和力预测和虚拟筛选。
4. 复现性强：提供了完整的代码和数据集构建指南，便于用户复现论文结果。
5. 兼容性强：支持多种生物信息学库，易于集成到现有工作流程中。

结语

TankBind 作为一款强大的药物-蛋白结合结构预测工具，不仅能够为研究者提供精确的预测结果，还能够帮助他们探索药物-蛋白交互的深层机制。通过本文的介绍，相信你已经对 TankBind 有了更深入的了解。如果你对此项目感兴趣，不妨尝试将其应用到你的研究中，相信它会成为你科研道路上的得力助手。

TankBind Open source code for TankBind. Galixir Tenchnologies 项目地址: https://gitcode.com/gh_mirrors/ta/TankBind