图神经网络预训练对蛋白质相互结合亲和力突变效应建模的研究
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
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
本研究提出了一种结构感知交互图神经网络 (SIGN),用于预测蛋白质 - 配体复合物的亲和力。SIGN 包含极性启发式图注意力层(PGAL)和配对交互池(PiPool)两个部分,能充分利用生物分子结构信息并考虑原子之间的长程相互作用,在两个基准测试中显示其优越性。
Jul, 2021
通过深度学习及图神经网络,使用蛋白质的大规模语言模型提取特征,针对蛋白质复合物中的多个氨基酸替代预测结合亲和力的变化
May, 2024
本文提出了一种名为 SemiGNN-PPI 的自我整合的多图神经网络方法,用于预测蛋白质 - 蛋白质相互作用,并通过设计多个图一致性约束来提高其性能。实验表明,SemiGNN-PPI 优于最先进的 PPI 预测方法,尤其是在训练数据注释有限且测试数据不可见的情况下。
May, 2023
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
本研究提出了一种新的混合量子 - 经典深度学习模型,用于药物发现中的结合亲和力预测,并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络,模拟结果显示与现有经典模型相比,预测准确度提高了 6%,收敛性能明显更稳定。
Sep, 2023
通过使用改良版图神经网络和序列为基础的方法进行比较,本文旨在填补预测最优蛋白变体的结构和基序方法之间的研究缺口,结果显示出使用这种新方法在训练更少的分子数量时实现了接近基序方法的竞争性性能,此外,将结构预训练模型与测定的标记数据相结合,可以产生与序列预训练模型类似的趋势。
Jun, 2023
通过自我监督的多层预训练框架 ProMIM,全面捕获三个层级的蛋白质相互作用,该框架在标准基准测试中表现优异,特别是在可能导致蛋白质背骨构象显著变化的突变上,还能进行零样本评估,显示了其作为新一代强大的药物开发工具在 SARS-CoV-2 突变效应预测和抗体优化方面的潜力。
May, 2024