DualBind: A Dual-Loss Framework for Protein-Ligand Binding Affinity Prediction

准确预测蛋白质-配体结合亲和力对于药物开发至关重要。机器学习的最新进展在这个任务上表现出有希望的结果。然而，这些方法通常严重依赖于标记数据，这些数据可能稀缺或不可靠，或者它们依赖于假设，如玻尔兹曼分布的数据，在实践中可能不成立。在这里，我们提出了DualBind，这是一个新颖的框架，它将监督均方误差（MSE）与无监督去噪得分匹配（DSM）相结合，以准确地学习结合能函数。DualBind不仅通过提供更准确的绝对亲和力预测来解决DSM-only模型的局限性，而且与MSE-only模型相比，它提高了泛化能力并减少了对标记数据的依赖。我们的实验结果表明，DualBind在预测结合亲和力方面表现出色，并且可以有效地利用标记和未标记的数据来提高性能。

论文旨在解决蛋白质-配体结合亲和力准确预测的问题，同时减少对标注数据的依赖。

DualBind框架将有监督的均方误差（MSE）和无监督的去噪得分匹配（DSM）相结合，以准确地学习结合能函数。

论文提出的DualBind框架在预测结合亲和力方面表现优异，同时能够有效利用标注和未标注数据来提高性能。实验结果证明了DualBind的优越性能和通用性。

最近的相关研究包括使用深度学习和机器学习方法预测蛋白质-配体结合亲和力的研究，如《DeepBind: protein-ligand binding affinity prediction using attention-based neural networks》和《Machine learning models for predicting protein-ligand binding affinity with a focus on deep learning approaches》。