英文原题：PLANET: A Multi-objective Graph Neural Network Model for Protein−Ligand Binding Affinity Prediction

2023年6月16日，复旦大学药学院王任小教授团队在化学信息学和人工智能研究领域的国际权威学术期刊 Journal of Chemical Information and Modeling（JCIM）上发表了题为“PLANET: A Multi-objective Graph Neural Network Model for Protein−Ligand Binding Affinity Prediction”的研究论文，报道了一种基于图神经网络的深度学习模型 PLANET，以蛋白结合口袋三维结构以及分子二维结构为输入预测蛋白-配体亲合性。得益于其多目标学习的训练方式，PLANET 可以在理解蛋白-配体相互作用的基础上进行预测。此外，PLANET 还具有很好的计算效率，可应用于大规模虚拟筛选。

PLANET 具有多个训练目标，包括预测配体构象、蛋白-配体相互作用和亲合性。其中，PLANET 首先根据输入的结合口袋三维结构和配体二维结构预测蛋白与配体之间的非共价相互作用，并在此基础上预测亲合性。配体构象预测任务是一个辅助任务，帮助 PLANET 从二维配体结构中提取三维相关特征（图1）。作者以 PDBbind 数据库 v.2020为基础构建训练集。由于后续需要利用同样来源于 PDBbind 数据库的 CASF-2016 测试集，作者在构建训练集时移除了与测试集中过于相近的样本，以获得更客观的测试指标。除此之外，作者从通过引入非活性分子扩增训练数据集，以提高模型的泛化能力。

图1 PLANET模型架构。

图2 PLANET在CASF-2016数据集上的打分能力（A）、排序能力（B）和对接能力（C）测试结果。

图3 PLANET和Glide SP在LIT-PCBA数据集上虚拟筛选测试结果。