VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification

能够识别蛋白质内或周围潜在的配体结合区域是开发新药物的重要一步。现在，结合位点识别方法可以从蛋白质结构数据库中或AlphaFold预测中获益。目前的结合位点识别方法严重依赖于图神经网络（GNNs），通常设计为输出E(3)-等变预测。这样的方法对于物理相关任务，如结合能或运动轨迹预测非常有益。然而，GNNs在结合位点识别方面的表现仍然受限，可能是由于缺乏模拟隐藏几何实体（如结合口袋）的专用节点。在这项工作中，我们通过添加虚拟节点并应用扩展的消息传递方案来扩展E(n)-等变图神经网络（EGNNs）。这些图中的虚拟节点是专用量，用于学习结合位点的表示，从而提高了预测性能。在我们的实验中，我们展示了我们提出的VN-EGNN方法在COACH420、HOLO4K和PDBbind2020上定位结合位点中心的最新技术水平。

本论文旨在通过添加虚拟节点和应用扩展的消息传递方案，扩展E(n)-等变图神经网络（EGNNs）来改进蛋白质结合位点的识别和定位。

本文提出的VN-EGNN方法通过添加专门用于学习结合位点表示的虚拟节点，从而提高了蛋白质结合位点中心的定位预测性能。

本文提出的VN-EGNN方法在COACH420、HOLO4K和PDBbind2020数据集上实现了最新的最佳表现。实验结果表明，该方法在识别和定位蛋白质结合位点方面比当前领域内的其他方法表现更好。

与本文相关的研究包括基于图神经网络的蛋白质结合位点识别方法，如GNN、GAT和GCN等。