InteractionGraphNet：一种新颖且高效的深度图表示学习框架，用于准确预测蛋白质-配体相互作用

准确量化蛋白质-配体相互作用仍然是基于结构的药物设计的一大挑战。然而，基于传统机器学习（ML）的方法依赖手工特征、一维蛋白质序列和/或二维图表示，限制了其在三维空间中学习泛化分子相互作用的能力。在此，我们提出了一种名为InteractionGraphNet（IGN）的新颖深度图表示学习框架，以从蛋白质-配体复合物的三维结构中学习蛋白质-配体相互作用。在IGN中，两个独立的图卷积模块被堆叠以顺序学习分子内和分子间相互作用，学习到的分子间相互作用可以有效用于后续任务。广泛的结合亲和力预测、大规模基于结构的虚拟筛选和姿态预测实验表明，IGN在与其他最先进的ML基线和对接程序相比，取得了更好的或具有竞争力的性能。更重要的是，这种最先进的性能是通过成功学习蛋白质-配体相互作用中的关键特征而非仅仅记忆数据中的某些偏见模式来证明的。