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

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

该论文研究了使用 GPT 和 BERT 模型在生物医学文本中检测蛋白质相互作用，结果发现 GPT 模型能够在生物医学文献挖掘任务中有效地检测 PPI，并且具有潜力。

Mar, 2023

在这项研究中，作者使用 IntAct PPI 数据库创建了一个远程监督的数据集，用 PPI-BioBERT-x10 训练集成的 BioBERT 模型来预测蛋白质对之间的 PTMs，并提出一个置信度校准的方法以对其进行过滤和人工筛选。他们发现，即使进行了置信度校准，也会出现在测试数据集外的误差和挑战。因此，他们利用多篇文章进行预测，从而提高了预测的精度和可靠性。这项研究探讨了深度学习方法在文本挖掘中的应用和局限性，同时强调了在人工筛选过程中置信度校准的重要性。

Jan, 2022

通过在 Tree-LSTM 单元中引入可分解注意力的变体，我们设计了一种广义的注意力框架，适用于依赖树和组成树结构，并在语义相关性任务中评估了模型，与不使用注意力的 Tree-LSTM 方法以及其他神经和非神经方法相比表现显著。

Jan, 2019

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

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％。

Jun, 2017

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

本研究通过注意力机制探索分析蛋白质 Transformer 模型，展示其捕捉蛋白质折叠结构，定位蛋白质功能性区域，以及随着层数增加逐渐关注复杂生物物理特性等行为，结果表明三种 Transformer 架构对此表现一致，并提供蛋白质结构和注意力之间的三维可视化交互。

Jun, 2020