从生物医学文献中提取蛋白质相互作用的深度学习

Jun, 2017

从生物医学文献中提取蛋白质相互作用的深度学习

Deep learning for extracting protein-protein interactions from biomedical literature

Yifan Peng, Zhiyong Lu

TL;DR本文提出了一种多通道依存关系卷积神经网络模型（McDepCNN），它将一个通道应用于句子中每个单词的嵌入向量，另一个通道应用于相应单词的头部的嵌入向量，比当前最先进的丰富特征和单核方法效果更好，并在交叉语料库评估上相对提高了 24.4％，在 “困难” 实例上的 F1-score 相对提高了 12％。

Abstract

State-of-the-art methods for protein-protein interaction (PPI) extraction are primarily feature-based or kernel-based by leveraging lexical and syntactic information. But how to incorporate such knowledge in the recent

protein-protein interaction deep learning convolutional neural network dependency-based model syntactic information

发现论文，激发创造

利用基于注意力的关系上下文信息从生物医学文献中提取蛋白质相互作用（PPIs）

通过多源蛋白质相互作用数据集，利用基于 Transformer 的深度学习方法改善关系提取表现，从而协助理解生物系统中的疾病发展、基因 / 蛋白质功能和生物过程。

Mar, 2024

ContactNet：基于几何的深度学习模型用于预测蛋白质 - 蛋白质相互作用

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

通过校准的深度神经网络和自我训练提取化学物质 - 蛋白质相互作用

提出一种基于 DNN 的方法，结合了不确定性信息和校准技术来提取化学物质 - 蛋白质之间的相互作用。该方法能够估算数据不确定性并提高模型可靠性，同时改善性能并保持高校准能力。

Nov, 2020

DeepAffinity: 基于统一的循环卷积神经网络的化合物 - 蛋白亲和性可解释的深度学习

利用领域知识和深度学习方法，提出了一种半监督深度学习模型，旨在从蛋白质序列中预测化合物与蛋白质相互作用并对其进行解释，表现优于传统方法，并采用转移学习进一步提高了新型蛋白质的预测效果以及对筛选药物的解释性能。

Jun, 2018

蛋白质相互作用的图神经网络 —— 简要调查

蛋白质相互作用（PPI）在广泛的生物过程中起着关键作用。本文回顾了各种基于图的方法，并讨论了它们在 PPI 预测中的应用。我们将这些方法分为两个主要组，一类采用图神经网络（GNN）或图卷积网络（GCN），而第二类则利用图注意力网络（GAT）、图自编码器和 Graph-BERT。我们强调每种方法在处理 PPI 网络中的图结构数据方面的独特方法，并预测在此领域的未来研究方向。

Apr, 2024

利用高斯概率分布和外部生物医学知识进行化学物质 - 蛋白质相互作用提取

本文提出了一种基于神经网络、BERT 和高斯概率分布的方法，以改进在生物医学文献中提取化学物质 - 蛋白质相互作用的性能，该方法能够充分利用局部结构和外部医学知识，并在实验中取得了比其他最先进方法更好的结果。

Nov, 2019

利用 PPI 检索进行高效的蛋白质相互作用研究

利用已有的蛋白质相互作用数据，在嵌入空间中有效搜索潜在的蛋白质相互作用，并在形成蛋白质复合物的过程中，有效地识别潜在的结合伴侣以及其相应的结合位点。

Feb, 2024

MCPI: 融合多模态数据以增强化合物 - 蛋白质相互作用预测

本文提出了一种名为 MCPI 的新型模型，通过整合多种信息源（包括 PPI 网络、CCI 网络和 CPI 的结构特征等），以提高 CPI 预测性能，并应用于搜索潜在的 SARS-CoV-2 抑制剂。结果表明，该模型优于其他现有的 CPI 预测模型，有望推动我们对 CPI 的理解和指导药物研发工作。

Jun, 2023

基于图神经网络的跨前沿蛋白相互作用预测

本研究提出一种新的评估框架和基于图神经网络的方法，旨在改善多类型蛋白质相互作用预测中的性能下降问题，尤其是在处理未知数据中的新蛋白质相互作用预测。结果表明，该方法在不同规模的真实世界数据集上都比其他最先进的预测方法表现更好。

May, 2021

基于知识图谱嵌入和卷积 - LSTM 网络的药物相互作用预测

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019