通过超深度学习模型精准地预测蛋白质接触图谱
我们开发了一种基于注意力的图神经网络 (ContactNet)，用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型，不需要多序列比对，适用于其他类型的相互作用。
Jun, 2024
本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。
Jan, 2018
研究表明，通过基于序列信息的直接耦合分析 (DCA) 可以预测出蛋白质的接触点，这些预测的接触点可以作为蛋白质构象、复合物形成以及领域结构的计算预测的可靠指南。
Oct, 2011
使用深度 1D 卷积神经网络（DeepSF）对任何蛋白质序列进行直接分类，将其映射到 1195 个已知折叠中的一个，从而实现蛋白质折叠识别和序列结构关系研究，并在 SCOP 数据集上的测试中取得了 80.4％的分类精度。
Jun, 2017
该研究表明，通过分析蛋白质序列之间的相关进化序列变化，可以准确识别与蛋白质配对的残基，从而确定蛋白质复合物的三维结构，可用于残基分辨率下的互作预测，并且随着序列数据库的增长，这种方法可以扩展到基因组范围内蛋白质相互作用网络的阐明和互作预测。
May, 2014
介绍了一种基于深度卷积神经网络的分子对接得分预测模型并使用 CASF-2013 数据库和 PDBbind 数据库进行测试，结果表明本文方法相比过去的基于卷积神经网络的方法有了更好的预测性能。
Jun, 2019
MATE-Pred 是一种高度可靠的新方法，通过多模式注意力机制预测 T 细胞受体和表位结合亲和力，展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力，以及在各种药物发现方案中的潜在应用。
Dec, 2023
利用预测的蛋白质间接触来构建蛋白质复合物的四级结构，本研究介绍了一种基于深度强化学习的自学习方法（DRLComplex），并在两个标准数据集上进行了测试，结果表明 DRLComplex 在使用真实接触信息时，可以实现高平均 TM 分数和低平均界面 RMSD，并且相对于其他优化方法，它的表现比较好，验证了它在蛋白质复合物的四级结构重构中的有效性。
May, 2022
通过引入 2D dense prediction 方法和序列建模、配对交互等技术，我们提出了一种新的深度神经网络模型，能够通过图神经网络学习节点特征，并预测蛋白质界面的预测性能，并在实验中进行了验证并得出了可靠的结果。
Jul, 2020