DeepMice：基于多级映射模块的蛋白质-配体分子对接新模型及其在药物发现中的应用

　　来自多机构的研究团队开发了人工智能分子对接框架DeepMice，通过图变换网络（GTN）和混合密度网络（MDN）提升结合构象预测精度，结合差分进化（DE）和BFGS算法优化构象搜索。在DEKOIS2.0、DUD-E和CASF-2016测试中，其AUROC、BEDROC和EF值均超越Glide SP、RTMScore等现有技术，为药物研发提供高效精准的新工具。

　　

DeepMice是一种基于人工智能的新型分子对接框架，其评分函数以图变换网络（Graph Transformer Network, GTN）为核心架构，能够将残基级表征转化为原子级表征，显著提升表征精度。该模型引入多级映射模块以降低图模型规模与计算复杂度，并采用混合密度网络（Mixture Density Network, MDN）进一步实现评分预测。在构象搜索方面，DeepMice融合全局启发式搜索与局部梯度优化策略：首先通过差分进化（Differential Evolution, DE）算法进行全局探索，再采用Broyden–Fletcher–Goldfarb–Shanno（BFGS）算法进行局部精细化，有效提升构象搜索效率。在DEKOIS2.0和DUD-E数据集上的测试表明，DeepMice在接收者操作特征曲线下面积（AUROC）、玻尔兹曼增强判别接收者操作特征（BEDROC）以及富集因子（EF_1%）等指标上均优于Glide SP、RTMScore等现有虚拟筛选技术。尤其在CASF-2016标准测试集中展现出卓越的分子对接能力。此外，该模型充分考虑蛋白质的多尺度结构特征，优化构象评分流程并提升对接效率。DeepMice为高效精准的分子对接提供了新范式，有望加速新药研发进程。其程序已开源发布：https://www.deepmice.com。