TUNA: A Target-aware Unified Network for Protein-Ligand Binding Affinity Prediction via Multi-Modal Feature Integration
Notice bibliographique
Résumé
The accurate prediction of protein-ligand binding affinity is crucial for early-stage drug discovery. Sequence-based deep learning models offer scalability and broader applicability than structure-based methods, but typically ignore the local binding site context, limiting predictive power. Recent advances in protein structure prediction and binding pocket detection have enabled for the integration of pocket-level information into sequence-based models. We present TUNA, a novel deep learning model that integrates multi-modal features to predict binding affinity. The TUNA integrates global protein sequences, localized pocket representations, ligand features derived from the SMILES, and molecular graph structures. We used three dimensional structure inference and pocket detection tools for proteins lacking experimentally determined binding sites. The pocket and protein sequences were encoded using embeddings from pre-trained models, including a model pretrained specifically on pocket-derived sequences. Ligands were represented through a fusion of Chemformer encoded SMILES and graph diffusion-based features, then unified via an alignment strategy to preserve both symbolic and structural information. TUNA achieved consistent improvements over sequence-based models across the PDB bind and BindingDB datasets while remaining competitive with structure-based methods for the PDBbind dataset. Its interpretable cross-modal attention mechanism enables the inference of potential binding sites, thus enhancing biological interpretation. These results demonstrate that TUNA is an effective affinity prediction method, especially for targets without known structures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».