Сравнительный анализ точности оценочных функций молекулярного докинга с использованием эталонного набора данных CASF-2016

С помощью эталонного набора данных CASF-2016 осуществлен сравнительный анализ эффективности оценочных функций AutoDock Vina, NNScore2, RF-Score-4, CENsible, HGScore, OnionNet-2, PIGNet2 и PLANET, предназначенных для предсказания на основе данных молекулярного докинга аффинности связывания малых молекул с целевым белком. В результате проведенных исследований показано, что новые оценочные функции глубокого обучения PLANET и OnionNet-2 демонстрируют наиболее высокую точность, эффективно прогнозируя сродство лиганда к молекулярной мишени и увеличивая достоверность идентификации молекул-кандидатов с высоким потенциалом ингибиторной активности. Полученные данные показывают, что PLANET и OnionNet-2 могут быть использованы в вычислительных протоколах молекулярного докинга для последующего расчета экспоненциального консенсусного ранга для каждого лиганда и надежного отбора наиболее вероятных ингибиторов заданной терапевтической мишени.

1. Current perspectives and trend of computer-aided drug design: a review and bibliometric analysis / Z. Wu, S. Chen, Y. Wang [et al.] // International Journal of Surgery. – 2024. – Vol. 110, N 6. – P. 3848–3878. https://doi.org/10.1097/js9.0000000000001289

2. Paggi, J. M. The art and science of molecular docking / J. M. Paggi, A. Pandit, R. O. Dror // Annual Review of Biochemistry. – 2024. – Vol. 93. – P. 389–410. https://doi.org/10.1146/annurev-biochem-030222-120000

3. Meli, R. Scoring functions for protein-ligand binding affinity prediction using structure-based deep learning: a review / R. Meli, G. M. Morris, P. C. Biggin // Frontiers in Bioinformatics. – 2022. – Vol. 2. – Art. 885983. https://doi.org/10.3389/fbinf.2022.885983

4. Kontoyianni, M. Docking and virtual screening in drug discovery / M. Kontoyianni // Proteomics for Drug Discovery: Methods in Molecular Biology / eds I. Lazar, M. Kontoyianni, A. Lazar. – New York, 2017. – Vol. 1647. – P. 255–266. https://doi.org/10.1007/978-1-4939-7201-2_18

5. Reducing false positive rate of docking-based virtual screening by active learning / L. Wang, S.-H. Shi, H. Li [et al.] // Briefings in Bioinformatics. – 2023. – Vol. 24, N 1. – Art. bbac626. https://doi.org/10.1093/bib/bbac626

6. Comparative assessment of scoring functions: The CASF-2016 update / M. Su, Q. Yang, Y. Du [et al.] // Journal of Chemical Information and Modeling. – 2019. – Vol. 59, N 2. – P. 895–913. https://doi.org/10.1021/acs.jcim.8b00545

7. Vieira, T. Tailoring specialized scoring functions for more efficient virtual screening / T. Vieira, R. Magalhaes, S. Sousa // Frontiers in Drug, Chemistry and Clinical Research. – 2019. – Vol. 2. – 4 p. https://doi.org/10.15761/FDCCR.1000118

8. Pairwise performance comparison of docking scoring functions: Computational approach using InterCriteria analysis / M. Angelova, P. Alov, I. Tsakovska [et al.] // Molecules. – 2025. – Vol. 30, N 13. – Art. 2777. https://doi.org/10.3390/molecules30132777

9. Bhatt, R. CENsible: interpretable insights into small-molecule binding with context explanation networks / R. Bhatt, D. R. Koes, J. D. Durrant // Journal of Chemical Information and Modeling. – 2024. – Vol. 64, N 12. – P. 4651–4660. https://doi.org/10.1021/acs.jcim.4c00825

10. Heterogeneous graph convolutional neural network for protein-ligand scoring / K. Crampon, A. Giorkallos, X. Vigouroux [et al.] // Exploration of Drug Science. – 2023. – Vol. 1. – P. 126–139. https://doi.org/10.37349/eds.2023.00010

11. OnionNet-2: a convolutional neural network model for predicting protein-ligand binding affinity based on residueatom contacting shells / Z. Wang, L. Zheng, Y. Liu [et al.] // Frontiers in Chemistry. – 2021. – Vol. 9. – Art. 753002. https://doi.org/10.3389/fchem.2021.753002

12. PIGNet2: a versatile deep learning-based protein-ligand interaction prediction model for binding affinity scoring and virtual screening / S. Moon, S.-Y. Hwang, J. Lim, W.-Y. Kim // Digital Discovery. – 2023. – Vol. 3. – P. 287–299. https://doi.org/10.1039/d3dd00149k

13. PLANET: a multi-objective graph neural network model for protein-ligand binding affinity prediction / X. Zhang, H. Gao, H. Wang [et al.] // Journal of Chemical Information and Modeling. – 2024. – Vol. 64, N 7. – P. 2205–2220. https://doi.org/10.1021/acs.jcim.3c00253

14. Exponential consensus ranking improves the outcome in docking and receptor ensemble docking / K. PalacioRodriguez, I. Lans, C. N. Cavasotto, P. Cossio // Scientific Reports. – 2019. – Vol. 9. – Art. 5142. https://doi.org/10.1038/s41598-019-41594-3