Polaris挑战：利用数据驱动的先验知识提升姿态预测中的对接性能

《Journal of Chemical Information and Modeling》：Polaris Challenge: Data-Driven Priors to Improve Docking for Pose Prediction

准确预测配体结合构象是结构基础药物设计中的核心挑战。本研究开发了一种结合Vina-GPU、晶体结构片段和MM/GBSA的工作流程，在SARS-CoV-2和MERS-CoV蛋白酶靶点上实现了超过50%的构象预测成功率（RMSD≤2?），并证实跨家族的晶体结构片段知识迁移有效。

　　

准确预测配体结合位点是基于结构的药物设计中的核心挑战。在这项工作中，我们为ASAP-Polaris-OpenADMET抗病毒竞赛开发了一个工作流程，利用晶体学训练结构来预测时间分割测试配体的结合位点。我们的方法依赖于开源的Vina-GPU软件进行集合对接，并结合片段衍生的先验信息来生成和评估结合位点。当片段信息不可用时，我们转而使用MM/GBSA进行结合位点评估。总体而言，我们的方法表现出了竞争力，在预测SARS-CoV-2和MERS-CoV蛋白酶目标的配体结合位点时，正确率超过了50%（RMSD小于2 ?）。通过对Vina生成的结合位点进行基于片段的重新评估以及对结合位点生成进行片段约束，提高了预测准确性，这突显了晶体学片段作为先验信息的实用性。重要的是，这些知识可以从SARS-CoV成功应用于MERS-CoV，表明保守的结合口袋在指导相关病毒蛋白酶的结合位点预测方面的价值。我们的结果表明，当结合可转移的片段知识和基于物理的优化方法时，基于对接的工作流程能够在保持高效性和完全开源的同时，在蛋白质家族内实现具有竞争力的结合位点预测准确性。