IJCAIMay, 2021

基于图神经网络的跨前沿蛋白相互作用预测

PDF
TL;DR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。
multi-type protein-protein interactiondisease mechanismsevaluation frameworkgraph neural networknovel-protein interaction prediction
发现论文，激发创造
  • 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

  • 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

    本研究开发了一种新的基于深度学习的框架 GraphPPI，能够利用图神经网络中提供的特征预测突变对结合亲和力的影响，并在单点和多点突变方面取得了新的最佳性能。

    Aug, 2020

  • SemiGNN-PPI: 自集成多图神经网络用于高效通用的蛋白质相互作用预测

    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

  • 双层图神经网络用于药物相互作用预测

    提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

    Jun, 2020

  • 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

  • 基于结构感知的交互式图神经网络用于预测蛋白质 - 配体结合亲和力

    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

  • 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

  • 面向蛋白接口预测的高阶交互深度学习

    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

  • 基于图匹配方法的蛋白质相互作用网络的全局对齐

    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

  • 提升泛化能力的蛋白质相互作用设计学习

    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