May, 2017

DeepGO: 利用深度本体感知分类器从序列和相互作用预测蛋白质功能

PDF
TL;DR本文提出了一种使用深度学习从蛋白质序列及其相互作用网络中预测蛋白质功能的方法，并结合 Gene Ontology 分类蛋白质功能。实验表明该方法能够显著提高蛋白质功能预测的准确性，特别是细胞定位的预测。
protein sequenceshigh-throughput sequencing technologiescomputational function predictiondeep learningprotein function
发现论文，激发创造
  • 蛋白质相互作用网络中全局蛋白质功能预测

    从蛋白质互作网络出发，通过减少与不同分类的互作蛋白质的数量来为蛋白质分配功能类别，该方法在酵母细胞蛋白质相互作用网络中得到应用并经过删除 / 插入互作关系的测试，在大量未分类蛋白质存在的情况下具有鲁棒性。

    Jun, 2003

  • DeepGATGO: 基于分层预训练的图注意力模型用于自动蛋白质功能预测

    自动蛋白质功能预测是一项大规模多标签分类问题，它旨在通过自动化蛋白质富集分析，消除对耗时的湿实验方法的依赖。通过仅使用蛋白质序列进行预测的方法逐渐提高可靠性和降低计算成本。因此，我们提出了一种基于序列的层次预测方法 DeepGATGO，它以层次化的方式处理蛋白质序列和 GO 术语标签，并利用图形注意力网络（GATs）和对比学习进行蛋白质功能预测。实验证明，我们提出的模型在大规模数据集上的 GO 术语富集分析中具有更好的可扩展性。

    Jul, 2023

  • 蛋白质功能预测的深度学习技术综述

    本篇论文综述了近年来利用深度学习方法在蛋白质功能预测任务领域取得的良好表现，并介绍了现代最先进的深度学习模型对计算机视觉、自然语言处理和多模态学习等领域的重大贡献。同时，文章提出自动化蛋白质功能预测任务的重要性，并希望能够鼓励更多的研究者进行相关领域的探索。

    Oct, 2022

  • ProTranslator：零样本蛋白功能预测的文本描述方法

    利用机器翻译技术，根据描述文字将草图标记为具有某项功能的蛋白质和基因，可以帮助解决 protein function prediction 挑战，并在各种生物医学应用中加快新路径和生物学过程的研究进展。

    Apr, 2022

  • 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

    综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型，并指出了面临的挑战和新的研究方向。

    Oct, 2023

  • ProtFAD：引入功能感知领域作为蛋白质功能认知的隐性机制

    我们提出了一种融合功能感知域表示和域关联对比学习策略的协同集成方法，通过将域与 GO 项作为功能先验与域嵌入进行预训练，然后基于连续关联的域将蛋白质划分成多个子视图并使用新型三元组 InfoNCE 损失进行对比训练，明显且全面地超越了各种基准方法，在区分携带不同功能的蛋白质方面与竞争者有明显差异。

    May, 2024

  • OntoProtein: 基因本体嵌入的蛋白质预训练

    OntoProtein 是第一个将 GO 结构应用于蛋白质预训练的通用框架，通过与知识图谱和蛋白质嵌入的联合优化，能够优化蛋白质表示并在蛋白质相互作用和蛋白质功能预测方面实现更好的性能。

    Jan, 2022

  • 多模式蛋白知识图谱构建及应用

    本文介绍了 ProteinKG65，一个专门用于蛋白质科学的知识图谱，它基于基因本体论和 Uniprot 知识库，并整合了多种知识，主要旨在将基因本体论的知识应用于蛋白质功能及结构预测，文中还展示了 ProteinKG65 的潜在应用。

    May, 2022

  • 深度神经网络预测蛋白亚型功能

    该研究论文使用深度神经网络等技术，结合基因功能、表达谱和基因本体图，对基因的异构体进行了功能预测，并使用 ROC AUC 和 PR AUC 等指标对预测结果进行评估。

    Aug, 2022

  • 蛋白质序列的变分自编码

    使用变分自编码器对天然蛋白序列进行嵌入，以预测突变对蛋白质功能的影响，并可用于计算引导蛋白质序列空间的探索和更好地指导有理和自动蛋白质设计。

    Dec, 2017