实验结果

1、、
、PointSite 识别结合位点原子的准确性

本部分的实验使用atom-IoU指标，，即预测原子集合和真实原子集合的交并比来衡量各方法预测的结合位点原子的准确性。。。。

表1列出了PointSite与其他方法在B277、、
、DT198、、、、ASTEX85
、
、、CHEN251、、、、COACH420 和 HOLO4k数据集上的atom-IoU结果。。从表1中可以看出
，，，，在几乎所有数据集上，
，，，PointSite方法明显优于其他方法，，，，仅次于PointSite的方法是P2Rank。。。PointSite在 DT198、
、B277
、
、ASTEX85
、、COACH420 和 HOLO4k 上的atom-IoU分数分别比 P2Rank 高 7%
、、、、11%、、
、14%、、14% 和 15%。
。。。在CHEN251数据集，，也就是P2Rank的训练集上，，PointSite与P2Rank也有相当的效果。。。。

表1： 各方法在B277
、、DT198、、
、ASTEX85、、、CHEN251、
、、COACH420 和 HOLO4K 数据集上的识别性能比较。
。（以 atom-IoU (%) 表示）

2、、PointSite 预测结合位点中心位置的性能

DCA指标用于描述预测结合位点（口袋）的中心与配体的任何原子之间的最小距离，，本部分的实验用DCA指标来测量各方法预测结合位点中心位置的性能。。。。

PointSite不仅可以单独使用来预测结合位点相关的原子
，，也可以作为一个灵活的过滤工具和其他以口袋为中心的方法结合，，
，，从而提高其他方法的预测性能。。。。如表2所示，，结合PointSite可以在几乎所有数据集上显著提高以口袋为中心的方法的DCA 分数（除了 CHEN251，，是 P2Rank 的训练集）
。。。。值得注意的是，，，对于SiteHound方法，，，，它的原始结果比 P2Rank 低约10-20% ，，但是，，，在SiteHound 与PointSite结合后，，，，它结果分别比 P2Rank 在 B277
、、
、、DT198
、、、、ASTEX85
、、、、COACH420 和 HOLO4k 上的原始结果高 4%、
、、、2%
、、
、
、11%、、、、8% 和 11%。
。。在一些数据集中，，如B277
、、、ASTEX85
、、、、COACH420、
、HOLO4k
，
，，SiteHound的结合后结果甚至比P2Rank结合后结果还要高1%、、
、、6%、、、5%
、、、
、6%。。

表2：以口袋为中心的方法以及这些方法与PointSite结合的结果的DCA指标（阈值为4 Å）在B277
、、、、DT198、、ASTEX85、、
、CHEN251、、、COACH420 和 HOLO4K 数据集上的识别性能比较。。 

3、
、、CAMEO数据集上的atom-IoU和DCA性能结果

为了测试我们的点云分割方法是成功地学习到了三维蛋白质结构和结合原子之间的复杂关系，，，还是只是简单地“记住”了训练数据。。
。我们从CAMEO数据集中选择了难度较高的蛋白质结构，，
，并且这些蛋白质不仅序列相似度很低 (< 25%)，，，而且与我们的训练数据集的结构相似性度也较低(TMscore < 0.648)，，，，从而来模拟真实的药物发现场景。。。

如表3所示，，
，在CAMEO数据集中，，单独使用PointSite达到了 0.43 atom-IoU，，
，分别比单独使用FPocket、、、Site-Hound、、MetaPocket2、
、DeepSite 和 P2Rank提高了 18%
、
、23%、、、、19%
、、、、21% 和 6%，
，
，，这表明PointSite具有较好的泛化性。。

当以口袋为中心的方法与PointSite结合时，
，，它们的识别精度在 atom-IoU 和 DCA 方面都有显著提高。。。比较典型的是FPocket 和 SiteHound，，它们分别是基于几何和能量方法
，，，，而不是基于机器学习的方法（例如 DeepStie 和 P2Rank）
。。。这些结果进一步证明了我们的以蛋白质为中心的方法与以口袋为中心的方法提取到的蛋白质的信息是相互补充的。。。。

表3：各方法在CAMEO数据集上的atom-IoU和DCA（阈值为4 Å）指标的比较

4、、、
、案例分析

案例1：未结合-结合蛋白对（unbound-bound protein pairs）的案例

在药物设计中，，，
，预测未结合状态下的蛋白质潜在结合位点是一个重要的任务。。
。如图3所示
，，，，左边三列是未结合-结合蛋白对1q1c-4lay（人体FKBP52的前1-260个残基的蛋白质结构）。。。与配体结合后，
，蛋白质和配体结合的区域相比于未结合时有明显的形变（见中间真实值列中的红色点云标签）。
。即使对于未结合的蛋白质 1q1c，，，，我们的 PointSite 也可以预测出近似的结合位点。。。。图3右边三列是未结合-结合蛋白对1p9r-1p9w（霍乱弧菌推定的 NTPase EpsE 的蛋白质结构），，，即使在对未结合蛋白结构的预测中存在更多的假阳性原子，，
，PointSite 始终可以为蛋白结构获得近似的配体结合位点。。

图2
：两组未结合-结合蛋白对的预测结果的可视化效果图

案例2：SARS-CoV-2 (COVID-2019) (PDB ID: 7BTF) 的 RNA 依赖性 RNA 聚合酶 (RdRp) 和 SARS-Cov2 (PDB ID: 7BQY) 的主要蛋白酶 (Mpro)的预测效果

如图3所示，，，中间的一列图片显示了真实的结合位点位置，，最右边的一列显示了PointSite的预测结果。。。
。PointSite不但能够预测出准确的结合位点的位置，，，
，而且其预测出的结合位点的位置也包括了核心的残基所在的位置。。。这些结果表明，，PointSite 可以成为未来基于结构的药物设计的一个非常有潜力的工具。
。。。

图3 PointSite对SARS-CoV-2 (COVID-2019) (PDB ID: 7BTF) 的 RNA 依赖性 RNA 聚合酶 (RdRp) 和 SARS-Cov2 (PDB ID: 7BQY) 的主要蛋白酶 (Mpro)的预测结果