AI Bind

AI-ผูก

AI-Bind เป็นไปป์ไลน์การเรียนรู้เชิงลึกที่ให้การคาดการณ์การเชื่อมโยงที่ตีความได้สำหรับโปรตีนและลิแกนด์ที่ไม่เคยพบเห็นมาก่อน AI-Bind มีความสามารถในการคัดกรองคลังสารเคมีขนาดใหญ่อย่างรวดเร็ว และชี้แนะการจำลองการเชื่อมต่ออัตโนมัติที่มีราคาแพงในการคำนวณ โดยจัดลำดับความสำคัญของคู่โปรตีน-ลิแกนด์สำหรับการตรวจสอบ ไปป์ไลน์ต้องใช้คุณสมบัติทางเคมีอย่างง่าย เช่น ลำดับกรดอะมิโนของโปรตีนและไอโซเมอร์สไมล์ของลิแกนด์ ซึ่งช่วยในการเอาชนะข้อจำกัดที่เกี่ยวข้องกับการขาดโครงสร้างโปรตีน 3 มิติที่มีอยู่

พิมพ์ล่วงหน้าได้ที่: https://arxiv.org/abs/2112.13168

ทำไมต้องใช้ AI-Bind?

ข้อบกพร่องของแบบจำลอง ML ที่มีอยู่ในการทำนายการจับโปรตีนและลิแกนด์

ความสนใจของเราในการทำนายการเชื่อมโยงของโปรตีนและลิแกนด์ที่ไม่เคยเห็นมาก่อนผลักดันให้เราแยกประสิทธิภาพการทดสอบของโมเดลการเรียนรู้ของเครื่องที่มีอยู่ (เช่น DeepPurpose) ออกเป็นสามองค์ประกอบ:

(a) การทดสอบแบบถ่ายทอด: เมื่อทั้งโปรตีนและลิแกนด์จากชุดข้อมูลการทดสอบมีอยู่ในข้อมูลการฝึก

(b) การทดสอบแบบกึ่งอุปนัย: เมื่อมีเพียงลิแกนด์จากชุดข้อมูลการทดสอบเท่านั้นที่มีอยู่ในข้อมูลการฝึก และ

(c) การทดสอบแบบอุปนัย: เมื่อทั้งโปรตีนและลิแกนด์จากชุดข้อมูลการทดสอบขาดหายไปในข้อมูลการฝึก

เราเรียนรู้ว่าประสิทธิภาพการทดสอบแบบอุปนัยเท่านั้นที่เป็นหน่วยวัดที่เชื่อถือได้สำหรับการประเมินว่าโมเดลการเรียนรู้ของเครื่องเรียนรู้การเชื่อมโยงจากคุณสมบัติโครงสร้างของโปรตีนและลิแกนด์ได้ดีเพียงใด เราทราบว่าแบบจำลองส่วนใหญ่นำเสนอประสิทธิภาพการทดสอบแบบถ่ายทอด ซึ่งเกี่ยวข้องกับการทำนายการเชื่อมโยงที่มองไม่เห็นในเครือข่ายปฏิสัมพันธ์ระหว่างโปรตีนและลิแกนด์ที่ใช้ในการฝึกอบรม เราสำรวจว่าโมเดล ML บรรลุประสิทธิภาพการถ่ายทอดที่เทียบได้กับอัลกอริธึมที่ง่ายกว่ามากได้อย่างไร (กล่าวคือ โมเดลการกำหนดค่าเครือข่าย) ซึ่งไม่สนใจโครงสร้างโมเลกุลโดยสิ้นเชิง และใช้ข้อมูลระดับเพื่อทำการทำนายที่มีผลผูกพัน

AI-Bind เสนออะไร?

ไปป์ไลน์ AI-Bind เพิ่มประสิทธิภาพการทดสอบแบบเหนี่ยวนำให้สูงสุดโดยรวมผลเชิงลบที่ได้มาจากเครือข่ายในข้อมูลการฝึกอบรม และแนะนำการฝึกอบรมล่วงหน้าแบบไม่มีผู้ดูแลสำหรับการฝังโมเลกุล ไปป์ไลน์ได้รับการตรวจสอบผ่านสถาปัตยกรรมประสาทที่แตกต่างกันสามแบบ ได้แก่ VecNet, VAENet และโมเดล Siamese สถาปัตยกรรมที่มีประสิทธิภาพดีที่สุดใน AI-Bind คือ VecNet ซึ่งใช้ Mol2vec และ ProtVec เพื่อฝังโปรตีนและลิแกนด์ตามลำดับ การฝังเหล่านี้จะถูกป้อนเข้าไปในตัวถอดรหัส (Multi-layer Perceptron) เพื่อทำนายความน่าจะเป็นในการรวม

การตีความของ AI-Bind และการระบุไซต์ที่มีผลผูกพันที่ใช้งานอยู่

เรากลายพันธุ์หน่วยการสร้างบางส่วน (ไตรแกรมของกรดอะมิโน) ของโครงสร้างโปรตีนเพื่อจดจำบริเวณที่มีอิทธิพลต่อการทำนายการจับกันมากที่สุด และระบุว่าเป็นจุดจับที่มีศักยภาพ ด้านล่างนี้ เราตรวจสอบตำแหน่งการจับที่แอคทีฟของ AI-Bind ที่คาดการณ์ไว้บนโปรตีนของมนุษย์ TRIM59 โดยการแสดงภาพผลลัพธ์ของการจำลองการเชื่อมต่ออัตโนมัติ และการทำแผนที่ตำแหน่งที่คาดการณ์ไว้กับกรดอะมิโนที่ตกค้างซึ่งลิแกนด์จับกัน ไซต์การเชื่อมโยงที่คาดการณ์โดย AI-Bind สามารถแนะนำผู้ใช้ในการสร้างตารางที่เหมาะสมที่สุดสำหรับการจำลองการเชื่อมต่ออัตโนมัติ ซึ่งช่วยลดเวลาในการจำลองได้มากขึ้น

การตั้งค่า AI-Bind และการทำนายการจับโปรตีน-ลิแกนด์ (แนวทางสำหรับผู้ใช้ปลายทาง)

การตั้งค่าฮาร์ดแวร์สำหรับ AI-Bind

เราฝึกอบรมและทดสอบโมเดลทั้งหมดของเราผ่านเซิร์ฟเวอร์บนแพลตฟอร์ม Google Cloud ด้วย Intel Broadwell CPU และ NVIDIA Tesla T4 GPU เวอร์ชัน Python ที่ใช้ใน AI-Bind คือ 3.6.6 เวอร์ชัน CUDA ที่ใช้คือ 9.0.

การใช้นักเทียบท่า

โปรดใช้นักเทียบท่านี้เพื่อเรียกใช้ AI-Bind: https://hub.docker.com/r/omairs/foodome2

การใช้ไฟล์ข้อกำหนด

โมดูล Python ทั้งหมดและเวอร์ชันที่เกี่ยวข้องที่จำเป็นสำหรับ AI-Bind แสดงอยู่ที่นี่: Requirements.txt

ใช้ pip install -r needs.txt เพื่อติดตั้งแพ็คเกจที่เกี่ยวข้อง

เวอร์ชัน rdkit ที่ใช้ใน AI-Bind: '2017.09.1' (สำหรับการติดตั้ง ตรวจสอบเอกสารที่นี่: https://www.rdkit.org/docs/Install.html คำสั่ง: conda install -c rdkit rdkit)

ตรวจสอบให้แน่ใจว่าสมุดบันทึก VecNet-User-Frontend.ipynb และไฟล์สามไฟล์ในโฟลเดอร์ AIBind (AIBind.py, init .py และ import_modules.py) อยู่ในโฟลเดอร์เดียวกัน

ดาวน์โหลดและบันทึกไฟล์ข้อมูลภายใต้ /data ลิงค์ดาวน์โหลด: https://zenodo.org/record/7226641

การติดตั้งทางเลือกโดยใช้ Docker

1. ดาวน์โหลดไฟล์นักเทียบท่าชื่อ "Predictions.dockerfile"
2. บนเทอร์มินัลของคุณ ให้ย้ายไปยังไดเร็กทอรีด้วย dockerfile และรัน : docker build -t aibindpred -f ./Predictions.dockerfile ./
3. หากต้องการเรียกใช้อิมเมจเป็นคอนเทนเนอร์: docker run -it --gpus all --name aibindpredcontainer -p 8888:8888 aibindpred คุณสามารถโคลนที่เก็บ git ภายในคอนเทนเนอร์ หรือแนบวอลุ่มในเครื่องของคุณขณะเรียกใช้คอนเทนเนอร์ : docker run -it --gpus ทั้งหมด --name aibindpredcontainer -p 8888:8888 -v ./local_directory:/home aibindpred
4. หากต้องการรันเชลล์เพิ่มเติมภายในคอนเทนเนอร์ ให้รัน : docker exec -it aibindpredcontainer /bin/bash
5. หากต้องการเรียกใช้อินสแตนซ์โน้ตบุ๊ก Jupyter ภายในคอนเทนเนอร์ ให้รัน : jupyter notebook --ip=0.0.0.0 --port=8888 --allow-root ขั้นตอนข้างต้นจะติดตั้งแพ็คเกจที่จำเป็นทั้งหมด และสร้างสภาพแวดล้อมเพื่อเรียกใช้การคาดการณ์การเชื่อมโยงโดยใช้ AI- ผูก.

เรียกใช้การคาดการณ์จากส่วนหน้า

1. จัดระเบียบไฟล์ข้อมูลของคุณในรูปแบบ dataframe ด้วยคอลัมน์ 'InChiKey', 'SMILE' และ 'target_aa_code' บันทึก dataframe นี้ในไฟล์ .csv
2. เรียกใช้สมุดบันทึกชื่อ VecNet-User-Frontend.ipynb เพื่อทำการคาดคะเนการเชื่อมโยง ความน่าจะเป็นที่มีผลผูกพันที่คาดการณ์ไว้จะอยู่ใต้ส่วนหัวคอลัมน์ 'การคาดการณ์โดยเฉลี่ย'

รหัสและข้อมูล

ไฟล์ข้อมูล

ไฟล์ข้อมูลทั้งหมดมีอยู่ที่นี่: https://zenodo.org/record/7226641

1. /data/sars-busters-consolidated/ไฟล์ฐานข้อมูล: มีข้อมูลการจับกับโปรตีน-ลิแกนด์ที่ได้มาจาก DrugBank, BindingDB และ DTC (Drug Target Commons)
2. /data/sars-busters-consolidated/chemicals: มีลิแกนด์ที่ใช้ในการฝึกอบรมและการทดสอบ AI-Bind ด้วยการฝัง
3. /data/sars-busters-consolidated/GitData/DeepPurpose and Configuration Model: ฝึกข้อมูลการทดสอบที่เกี่ยวข้องกับการตรวจสอบข้าม 5 เท่าของ Transformer-CNN (DeepPurpose) และ Duplex Configuration Model
4. /data/sars-busters-consolidated/GitData/interactions: ประกอบด้วยชุดข้อมูลเชิงลบที่ได้รับจากเครือข่ายที่ใช้ในการฝึกอบรมเครือข่ายประสาทเทียม AI-Bind
5. /data/sars-busters-consolidated/GitData: ประกอบด้วยโมเดล VecNet ที่ได้รับการฝึกอบรม การคาดการณ์ที่มีผลผูกพันเกี่ยวกับไวรัสและโปรตีนของมนุษย์ที่เกี่ยวข้องกับโควิด-19 และการสรุปผลลัพธ์จากการจำลองการเชื่อมต่ออัตโนมัติ
6. /data/sars-busters-consolidated/master_files: ประกอบด้วยคู่โปรตีน-ลิแกนด์เชิงลบแบบสัมบูรณ์ (ไม่มีผลผูกพัน) ที่ใช้ในการทดสอบ AI-Bind
7. /data/sars-busters-consolidated/targets: ประกอบด้วยโปรตีนที่ใช้ในการฝึกอบรมและการทดสอบ AI-Bind ที่มีการฝังที่เกี่ยวข้อง
8. /data/sars-busters-consolidated/ปฏิสัมพันธ์: ประกอบด้วยคู่โปรตีน-ลิแกนด์ที่เป็นบวก (การจับ) ที่ได้มาจาก DrugBank, NCFD (สารประกอบธรรมชาติในฐานข้อมูลอาหาร), BindingDB และ DTC
9. /data/sars-busters-consolidated/การเชื่อมต่ออัตโนมัติ: ประกอบด้วยไฟล์ทั้งหมดและผลลัพธ์จากการตรวจสอบความถูกต้องของ AI-Bind ในไวรัสและโปรตีนของมนุษย์ที่เกี่ยวข้องกับโควิด-19
10. /data/sars-busters-consolidated/การตรวจสอบความถูกต้องของโปรไฟล์ความน่าจะเป็นของการเชื่อมโยง: ประกอบด้วยไฟล์ที่แสดงภาพไซต์การเชื่อมโยงที่ใช้งานอยู่จากการจำลองการจำลองอัตโนมัติ
11. /data/sars-busters/Mol2vec: รุ่น Mol2vec และ ProtVec ที่ผ่านการฝึกอบรมมาแล้วมีจำหน่ายที่นี่
12. /data/sars-busters-consolidated/s4pred: รวมโค้ดและไฟล์สำหรับการทำนายโครงสร้างรองของ TRIM59

รหัส

ที่นี่เราจะอธิบาย Jupyter Notebooks, Python Modules และสคริปต์ MATLAB ที่ใช้ใน AI-Bind

AIBind

1. AIBind.py: ประกอบด้วยคลาส Python สำหรับ AI-Bind รวมสถาปัตยกรรมประสาททั้งหมด: VecNet, VAENet และ Siamese Model
2. import_modules.py: ประกอบด้วยโมดูล Python ที่จำเป็นทั้งหมดเพื่อรัน AI-Bind

การกำหนดค่า-รุ่น-5-พับ

1. โมเดลการกำหนดค่า - Cross-Validation.ipynb: คำนวณประสิทธิภาพการตรวจสอบข้าม 5 เท่าของโมเดลการกำหนดค่าดูเพล็กซ์บนข้อมูล BindingDB ที่ใช้ใน DeepPurpose
2. configuration_bipartite.m: ประกอบด้วยการใช้งาน MATLAB ของโมเดลการกำหนดค่าดูเพล็กซ์
3. runscriptposneg.m: รันโมเดลการกำหนดค่าดูเพล็กซ์โดยใช้ลำดับระดับของลิแกนด์และโปรตีน ไฟล์เอาต์พุต summat10.csv และ summat01.csv ใช้ในการคำนวณประสิทธิภาพของโมเดลการกำหนดค่า

DeepPurpose-5-พับ

1. วัตถุประสงค์เชิงลึก - ชุดข้อมูลสุดท้าย - Unseen Targets.ipynb: เราดำเนินการตรวจสอบความถูกต้องข้าม 5 เท่าเหนือเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) บน DeepPurpose โดยใช้ค่าเนกาทีฟที่ได้มาจากเครือข่าย
2. วัตถุประสงค์เชิงลึก - ชุดข้อมูลสุดท้าย - Unseen Nodes.ipynb: เราดำเนินการตรวจสอบความถูกต้องข้าม 5 เท่าบนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) บน DeepPurpose โดยใช้ค่าเนกาทีฟที่ได้มาจากเครือข่าย

โมลทรานส์

1. example_induct_AI_Bind_data.py: เราทำการทดสอบแบบอุปนัยบน MolTrans โดยใช้ตัวอย่างเชิงลบที่ได้มาจากเครือข่าย ซึ่งใช้ในการฝึก AI-Bind
2. example_induct_BindingDB.py: เราทำการทดสอบแบบอุปนัยบน MolTrans โดยใช้ข้อมูล BindingDB ซึ่งใช้ในรายงานของ MolTrans
3. example_semi_inductive.py: สคริปต์นี้สามารถใช้เพื่อรันการทดสอบแบบกึ่งอุปนัยบน MolTrans
4. example_transative.py: สคริปต์นี้สามารถใช้เพื่อรันการทดสอบแบบถ่ายทอดบน MolTrans

DeepPurpose-and-Confuguration-โมเดล

1. DeepPurpose Rerun - Transformer CNN.ipynb: เราฝึกทดสอบ DeepPurpose โดยใช้ข้อมูล BindingDB เกณฑ์มาตรฐาน มีการทดลองหลายครั้งเกี่ยวกับ DeepPurpose ซึ่งรวมถึงการสับเปลี่ยนโครงสร้างทางเคมีแบบสุ่มและการวิเคราะห์ระดับของประสิทธิภาพของ DeepPurpose
2. โมเดลการกำหนดค่าบน DeepPurpose data.ipynb: เราสำรวจประสิทธิภาพของ Duplex Configuration Model บนชุดข้อมูล BindingDB ที่ใช้ใน DeepPurpose

EigenSpokes

1. Eigen Spokes Analysis.ipynb - เราดำเนินการวิเคราะห์ EigenSpokes ที่นี่บนเมทริกซ์ adjacency แบบรวม (เมทริกซ์ adjancecy แบบสี่เหลี่ยมที่มีลิแกนด์และเป้าหมายทั้งในแถวและคอลัมน์)

การเกิดขึ้นของทางลัด

1. Without_and_with_constant_fluctuations_p_bind=0.16.ipynb: สร้างและรันโมเดลการกำหนดค่าบนเครือข่ายฝ่ายเดียวของเล่นโดยอิงตามตัวอย่างโปรตีนใน BindingDB ที่นี่ เราจะสำรวจสถานการณ์สมมติสองสถานการณ์ที่เกี่ยวข้องกับความสัมพันธ์ระหว่างระดับและค่าคงที่ของการแยกตัว โดยไม่มีความผันผวนและความผันผวนคงที่ของค่าคงที่ของการแยกตัว
2. With_varying_fluctuations.ipynb: สร้างและรันโมเดลการกำหนดค่าบนเครือข่ายฝ่ายเดียวของเล่นโดยอิงตามตัวอย่างโปรตีนใน BindingDB โดยที่ความผันผวนของค่าคงที่การแยกตัวออกจะเป็นไปตามแนวโน้มที่คล้ายกันเช่นเดียวกับในข้อมูล BindingDB

คุณสมบัติทางวิศวกรรม

1. ทำความเข้าใจกับคุณสมบัติทางวิศวกรรม.ipynb: เราสำรวจความสามารถในการอธิบายของคุณสมบัติทางวิศวกรรม (คุณสมบัติอย่างง่ายที่แสดงถึงโมเลกุลลิแกนด์และโปรตีน
2. คุณสมบัติทางวิศวกรรมของ VecNet - ขนาดที่สำคัญของ Mol2vec และ Protvec.ipynb: ระบุขนาดที่สำคัญที่สุดในการฝัง Mol2vec และ ProtVec ในแง่ของการจับกันของโปรตีน-ลิแกนด์
3. คุณสมบัติทางวิศวกรรมของ VecNet Concat Original Features.ipynb: สำรวจประสิทธิภาพของ VecNet หลังจากเชื่อมต่อโปรตีนดั้งเดิมและลิแกนด์ที่ฝังไว้
4. VecNet Engineered Features.ipynb: แทนที่การฝัง Mol2vec และ ProtVec ด้วยคุณสมบัติทางวิศวกรรมที่เรียบง่ายในสถาปัตยกรรม VecNet และสำรวจประสิทธิภาพของมัน

การระบุไซต์ที่มีผลผูกพัน

1. VecNet-Protein-Trigrams-Study-GitHub.ipynb: เรากลายพันธุ์ไตรแกรมของกรดอะมิโนบนโปรตีน และสังเกตความผันผวนในการคาดการณ์ของ VecNet กระบวนการนี้ช่วยให้เราระบุตำแหน่งการจับที่มีฤทธิ์ที่เป็นไปได้บนลำดับกรดอะมิโน

การทดสอบอินพุตแบบสุ่ม

1. VecNet-Unseen_Nodes-RANDOM.ipynb: รัน VecNet บนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) โดยที่ลิแกนด์และโปรตีนที่ฝังจะถูกแทนที่ด้วยอินพุตสุ่มแบบเกาส์เซียน
2. VecNet-Unseen_Nodes-T-RANDOM-Only.ipynb: รัน VecNet บนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) โดยที่การฝังโปรตีนจะถูกแทนที่ด้วยอินพุตสุ่มแบบเกาส์เซียน
3. VecNet-Unseen_Targets-RANDOM.ipynb: รัน VecNet บนเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) โดยที่การฝังลิแกนด์และโปรตีนจะถูกแทนที่ด้วยอินพุตสุ่มแบบเกาส์เซียน
4. VecNet-Unseen_Targets-T-RANDOM-Only.ipynb: รัน VecNet บนเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) โดยที่การฝังโปรตีนจะถูกแทนที่ด้วยอินพุตสุ่มแบบเกาส์เซียน

ชาวสยาม

1. Siamese_Unseen_Nodes.ipynb: เราสร้างชุดข้อมูลเชิงลบที่ได้มาจากเครือข่ายและดำเนินการตรวจสอบข้าม 5 เท่าบนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) ที่นี่
2. Siamese_Unseen_Targets.ipynb: เราทำการตรวจสอบข้าม 5 เท่ากับเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) ที่นี่

VANet

1. VAENet-Unseen_Nodes.ipynb: เราสร้างเนกาทีฟที่ได้รับจากเครือข่ายและดำเนินการตรวจสอบข้าม 5 เท่าบนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) ที่นี่
2. VAENet-Unseen_Targets.ipynb: เราดำเนินการตรวจสอบข้าม 5 เท่าบนเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) ที่นี่

การตรวจสอบ

1. การวิเคราะห์การทำนาย SARS-CoV-2 VecNet.ipynb: การตรวจสอบความถูกต้องการเชื่อมต่ออัตโนมัติของการคาดการณ์ 100 อันดับบนและล่างที่ทำโดย VecNet เกี่ยวกับโปรตีนของไวรัส SARS-CoV-2 และโปรตีนของมนุษย์ที่เกี่ยวข้องกับโควิด-19
2. Binding_Probability_Profile_Golden_Standar_Validation.py: การตรวจสอบความถูกต้องของตำแหน่งการจับที่ได้รับจาก AI-Bind ด้วยข้อมูลการจับโปรตีนมาตรฐานทองคำ

เวคเน็ต

1. VecNet-Unseen_Nodes.ipynb: เราสร้างเนกาทีฟที่ได้มาจากเครือข่าย ดำเนินการตรวจสอบข้าม 5 เท่าบนโหนดที่มองไม่เห็น (การทดสอบแบบเหนี่ยวนำ) และทำการคาดการณ์เกี่ยวกับโปรตีนของไวรัส SARS-CoV-2 และโปรตีนของมนุษย์ที่เกี่ยวข้องกับโควิด-19
2. VecNet-Unseen_Targets.ipynb: เราดำเนินการตรวจสอบข้าม 5 เท่าบนเป้าหมายที่มองไม่เห็น (การทดสอบแบบกึ่งอุปนัย) ที่นี่

ทรัพยากรภายนอก

1. เรียนรู้การเชื่อมต่ออัตโนมัติโดยใช้ Autodock Vina: https://www.youtube.com/watch?v=BLbXkhqbebs
2. เรียนรู้การแสดงภาพไซต์ที่มีผลผูกพันที่ใช้งานอยู่โดยใช้ PyMOL: https://www.youtube.com/watch?v=mBlMI82JRfI

อ้างอิง AI-Bind

หากคุณพบว่า AI-Bind มีประโยชน์ในการวิจัยของคุณ โปรดเพิ่มข้อมูลอ้างอิงต่อไปนี้:

 @article{Chatterjee2023,
  doi = {10.1038/s41467-023-37572-z},
  url = {https://doi.org/10.1038/s41467-023-37572-z},
  year = {2023},
  month = apr,
  publisher = {Springer Science and Business Media {LLC}},
  volume = {14},
  number = {1},
  author = {Ayan Chatterjee and Robin Walters and Zohair Shafi and Omair Shafi Ahmed and Michael Sebek and Deisy Gysi and Rose Yu and Tina Eliassi-Rad and Albert-L{'{a}}szl{'{o}} Barab{'{a}}si and Giulia Menichetti},
  title = {Improving the generalizability of protein-ligand binding predictions with {AI}-Bind},
  journal = {Nature Communications}
}