Protein‐protein interactions (PPIs) are ubiquitous and functionally of great importance in biological systems. Hence, the accurate prediction of PPIs by protein‐protein docking and scoring tools is highly desirable in order to characterize their structure and biological function. Ab initio docking protocols are divided into the sampling of docking poses to produce at least one near‐native structure, and then to evaluate the vast candidate structures by scoring. Concurrent development in both sampling and scoring is crucial for the deployment of protein‐protein docking software. In the present work, we apply a machine learning model on pairwise potentials to refine the task of protein quaternary structure native structure detection among decoys. A decoy set was featurized using the Knowledge and Empirical Combined Scoring Algorithm 2 (KECSA2) pairwise potential. The highly unbalanced decoy set was then balanced using a comparison concept between native and decoy structures. The resultant comparison descriptors were used to train a logistic regression (LR) classifier. The LR model yielded the optimal performance for native detection among decoys compared with conventional scoring functions, while exhibiting lesser performance for the detection of low root mean square deviation decoy structures. Its deployment on an independent benchmark set confirms that the scoring function performs competitively relative to other scoring functions. The scripts used are available at https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR.

中文翻译：

---

通过逻辑回归对成对电位进行细化以对蛋白质-蛋白质相互作用进行评分。

蛋白质间相互作用（PPI）在生物系统中无处不在并且在功能上非常重要。因此，迫切需要通过蛋白质对接和评分工具准确预测PPI，以表征其结构和生物学功能。从头算起的对接协议分为对接姿势采样，以产生至少一个近邻结构，然后通过评分来评估大量候选结构。采样和评分的同步发展对于部署蛋白质对接软件至关重要。在目前的工作中，我们在成对电位上应用机器学习模型，以完善诱饵中蛋白质四级结构天然结构检测的任务。使用知识和经验组合计分算法2（KECSA2）成对势对诱饵集进行特征化。然后使用本机结构与诱饵结构之间的比较概念来平衡高度不平衡的诱饵组。所得的比较描述符用于训练逻辑回归（LR）分类器。与常规评分功能相比，LR模型为诱饵中的本机检测提供了最佳性能，而对低均方根诱饵结构的检测却表现出较低的性能。它在独立基准集上的部署证实了评分功能相对于其他评分功能具有竞争力。使用的脚本可从https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR获得。然后使用本机结构与诱饵结构之间的比较概念来平衡高度不平衡的诱饵组。所得的比较描述符用于训练逻辑回归（LR）分类器。与常规评分功能相比，LR模型为诱饵中的本机检测提供了最佳性能，而对低均方根诱饵结构的检测却表现出较低的性能。它在独立基准集上的部署证实了评分功能相对于其他评分功能具有竞争力。使用的脚本可从https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR获得。然后使用本机结构与诱饵结构之间的比较概念来平衡高度不平衡的诱饵组。结果比较描述符用于训练逻辑回归（LR）分类器。与常规评分功能相比，LR模型为诱饵中的本机检测提供了最佳性能，而对低均方根诱饵结构的检测却表现出较低的性能。其在独立基准集上的部署证实了评分功能相对于其他评分功能具有竞争优势。使用的脚本可从https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR获得。与常规评分功能相比，LR模型在诱饵中产生最佳的自然检测性能，而在检测低均方根诱饵结构时表现出较低的性能。其在独立基准集上的部署证实了评分功能相对于其他评分功能具有竞争优势。使用的脚本可从https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR获得。与常规评分功能相比，LR模型为诱饵中的本机检测提供了最佳性能，而对低均方根诱饵结构的检测却表现出较低的性能。其在独立基准集上的部署证实了评分功能相对于其他评分功能具有竞争优势。使用的脚本可从https://github.com/TanemuraKiyoto/PPI-native-detection-via-LR获得。