Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches
Created by
Haebom
저자
Xuefeng Liu, Songhao Jiang, Xiaotian Duan, Archit Vasan, Qinan Huang, Chong Liu, Michelle M. Li, Heng Ma, Thomas Brettin, Arvind Ramanathan, Fangfang Xia, Mengdi Wang, Abhishek Pandey, Marinka Zitnik, Ian T. Foster, Jinbo Xu, Rick L. Stevens
개요
본 논문은 단백질-리간드 결합의 중요성과 결합 친화도 예측 연구의 최근 동향을 다룬다. 특히, 방법론, 평가 전략, 벤치마크 데이터셋에 초점을 맞춰 전통적인 머신러닝과 딥러닝 모델의 활용 증가, 그리고 AI 가상 세포(AIVCs)와 같은 AI 기반 in silico 모델의 발전을 조명한다. 결합 친화도 예측 연구의 진전이 AIVCs를 개선하고, 궁극적으로 맞춤형 결과를 지원하기 위한 시간 역학, 세포 유형 특이성, 멀티오믹스 통합 시뮬레이션을 향상시킬 수 있음을 강조한다.
시사점, 한계점
•
시사점:
◦
단백질-리간드 결합 친화도 예측은 치료제 설계, 단백질 공학 등 생명 과학 분야에서 중요하며, AI 모델 활용이 증가하고 있다.
◦
AI 기반 in silico 모델, 특히 AIVCs는 동물 실험 단계적 폐지에 따라 중요성이 증가하고 있다.
◦
결합 친화도 예측 기술 발전은 AIVCs의 개선을 돕고, 더 정확하고 개인화된 결과를 위한 시뮬레이션 향상에 기여할 수 있다.
