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

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

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

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

研究了如何用 attribution method 对深度神经网络模型进行解释，发现存在数据集偏差，进一步提出了一种测试数据集偏差的方法，为揭示药物作用机理提供了重要指导。

Nov, 2018

利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

Jan, 2018

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

通过引入 2D dense prediction 方法和序列建模、配对交互等技术，我们提出了一种新的深度神经网络模型，能够通过图神经网络学习节点特征，并预测蛋白质界面的预测性能，并在实验中进行了验证并得出了可靠的结果。

Jul, 2020

在医学图像分析领域，确保高准确性不仅是重要的，确保有良好校准的预测也至关重要。通过提供模型的确定性洞察，识别需要关注的情况并建立对其预测的信任，深度神经网络的置信度在可解释性方面起关键作用。我们进行了一项全面的实证研究，探索了不同训练方式下模型的性能和校准。研究揭示了权重分布和学习表示的相似性等因素与模型校准趋势的相关性，并强调将自监督学习方法融入医学图像分析中以改善性能和校准的优势。

Sep, 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