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

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

通过构建 PPIRef 数据集和使用 PPIformer 模型，本研究发现可以提高蛋白质 - 蛋白质相互作用的突变并表明其在仿真药物研究和疗法改进中的潜力。

Oct, 2023

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

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

通过研究蛋白质相互作用网络，本文成功创建了基于物种的网络统计预测模型和基于已知网络统计的分类器，有效地连结了物种的系统发生学与分类学两个领域。

Oct, 2023

该研究针对蛋白质 - 蛋白质相互作用网络对齐问题，提出了基于图匹配算法的两种解决方案，分别基于序列相似性和相互作用保守性，两种新算法均优于现有算法，可检测到更多的已知保守性交互作用。

May, 2009

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