Nat Methods｜ScanNet：基于结构的蛋白质结合位点预测深度学习模型

从蛋白质的结构中预测其功能位点 (如小分子、其他蛋白质或抗体的结合位点)，可以了解其在体内的功能。目前，主要有两类方法：建立在手工创建的特征之上的机器学习模型和比较模型。它们分别受限于手工创建的特征的表现力和类似蛋白质的可用性。在这里，我们介绍了ScanNet，一个端到端的、可解释的几何深度学习模型，它直接从三维结构中学习特征。ScanNet根据原子和氨基酸相邻的空间化学排列建立了原子和氨基酸的表征。

我们训练ScanNet检测蛋白质-蛋白质和蛋白质-抗体结合位点，结果证明了其准确性，而且学到的滤波器 (filters) 是可解释的。最后，我们预测了SARS-CoV-2 刺突蛋白的表位，验证了已知的抗原区域，并预测到以前未被描述的抗原区域。总的来说，ScanNet是一个通用的、强大的、可解释的模型，适合于功能位点的预测任务。