当前位置：首页 > news >正文

打分函数分类

news 来源：原创 2025/6/21 19:47:19

在分子对接中，打分函数用于评估配体与受体结合的亲和力。不同类型的打分函数有各自的优势和应用场景。常见的打分函数主要分为以下几类：

1. 基于物理（力场）的打分函数 (Force/physics-field-based scoring functions)

这种打分函数基于经典分子力场，利用原子间的物理相互作用来计算结合能。主要考虑分子间的范德华力和静电相互作用。

常见的基于物理的打分函数：

COMBINE，GoldScore，MedusaScore，Linear Interaction Energy(LIE)，Linear Response Approximation(LRA)，MM-PBSA/GBSA，Autodock，GBVI/WSA dG

优点

能够很好利用现代力场开发，量化计算，溶剂化模型等理论模拟计算方法的研究进展。在预测蛋白质-配体结合的稳定性和质量方面具有一定的准确性。

缺点

这种方法依赖于力场参数，这些参数通常是通过实验数据或量子化学计算得出的，因此这种方法计算量大，需要高质量的参数化，对构象和电荷分布高度敏感，结果会受到力场近似值和固有误差的影响。

2. 基于回归（经验）的打分函数(Regression/Empirical-based scoring functions)

这种打分函数基于统计分析和实验数据。它们将氢键、疏水相互作用等相互作用项分离开，并通过实验结果给每一项赋予经验性权重。

常见的基于回归的打分函数：

PLP，ChemScore，X-Score，GlideScore，GlideScore-SP，GlideScore-XP，London dG，Autodock vina

优点

基于经验的打分函数在第一地点(配体-靶标蛋白结合点)进行校准，从拟合的角度看，拟合操作本身所保留信息相对于其他打分函数会更加完整。另外，与基于物理的打分函数的单一项对比，相应的基于经验的单一项的物理意义更加直观。

缺点

依赖实验数据，可能无法准确描述所有分子间相互作用。此外，因其是基于对实验数据的直接拟合，所以数据集本身存在的一些误差，比如不同方法、不同来源的实验值造成的误差，对结果的影响会更加明显。

3. 基于知识（平均力势）的打分函数(Knowledge-based scoring functions)

这类打分函数通过从大量已知的配体-受体结构中统计出常见的原子间距离和相互作用，然后利用这些统计信息来推断新的配体-受体相互作用的亲和力。

常见的基于知识的打分函数：

PMF，DrugScore，IT-Score，KECSA

优点

基于知识的打分函数考虑了多种类型的相互作用（如氢键、疏水相互作用、芳烃堆积、盐桥、金属配位等），并考虑了去溶效应。基于统计分析，相对简单，速度快。该方法不需要实验数据进行参数化和训练，因此更具灵活性。

缺点

依赖数据库的丰富性，适用于已知靶点的配体筛选，但对新的靶点预测能力有限。

4. 基于描述符（机器学习）的打分函数(Descriptor-based scoring functions)

基于描述符（机器学习）的打分函数通常将定量构效关系（QSAR）方法应用于蛋白-配体相互作用的预测。这种方法需要先将配体、蛋白和两者之间的相互作用模式编码成特定的描述符，然后利用QSAR研究中的统计方法或机器学习方法构建统计预测模型。这些描述符可能包括氢键、芳香堆积、分子量、静电相互作用、几何形状特征、可旋转键等指纹信息。通过机器学习算法（如支持向量机SVM、神经网络等）对这些描述符进行训练，可以生成蛋白质-配体的相互作用模型，并用来预测蛋白配体结合亲和力的大小。

常见的基于描述符的打分函数：

RF-Score，SFCscoreRF，ID-Score

优点

基于描述符的打分函数能够利用机器学习算法快速处理大量数据，提高药物筛选的效率。通过训练和优化机器学习模型，可以实现对蛋白配体结合亲和力的准确预测。

缺点

模型的准确性依赖于训练数据的质量和数量；训练过程可能需要较高的计算资源。

5. 基于深度学习的打分函数(Deep Learning Scoring Functions)

基于深度学习的打分函数是近年来随着机器学习和深度学习技术的发展而出现的一类新型打分函数。这些函数通过学习大量的蛋白质-配体复合物数据，可以提供比传统方法更为准确和灵活的预测。通过卷积神经网络（CNN）、图神经网络（GNN）、多层感知机（MLP）等模型，深度学习打分函数能够捕捉到分子间复杂的相互作用，极大地提升了分子对接的预测能力。