一种用于识别蛋白质隐匿结合位点的预测方法

本发明公开了一种融合多模态特征的深度学习预测方法，可在无配体（apo）状态下精准识别蛋白质隐匿结合位点。方法首先以残基为节点、Cα距离≤14 Å为边构建蛋白质图，节点特征集氨基酸独热、二级结构、原子属性、蛋白质语言模型嵌入及BLOSUM62进化信息，边特征含距离与角度相似性；随后采用等变图神经网络（EGNN）捕捉三维几何等变特征，并以带边特征的图同构网络（GINE）建模化学拓扑关系；通过门控交叉注意力与门控多头注意力实现EGNN、GINE双分支特征融合及全局依赖整合；最后将融合特征输入Kolmogorov–Arnold网络（KAN）分类器，预测各残基是否属于隐匿结合位点。本发明无需坐标对齐即可适应大尺度构象变化，在标准数据集上AUC、F1显著优于现有方法，对多链蛋白及复杂构象保持高鲁棒性与泛化性，可广泛应用于药物靶点发现与结构驱动药物设计。