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

KDDJul, 2021

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

Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity

Shuangli Li, Jingbo Zhou, Tong Xu, Liang Huang, Fan Wang...

TL;DR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。

Abstract

drug discovery often relies on the successful prediction of protein-ligand binding affinity. Recent advances have shown great promise in applying graph neural networks (GNNs) for better affinity prediction by learning the representations of →

drug discovery protein-ligand complexes graph neural networks biomedical interactions sign

发现论文，激发创造

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

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

构建可解释的稀疏学习图神经网络用于药物 - 蛋白质结合预测

我们提出了一种使用稀疏学习在图神经网络中的方法（SLGNN），该方法通过使用基于化学亚结构的图来表示药物分子，并结合广义融合套索和消息传递算法来识别对于药物 - 蛋白质结合预测至关重要的连接子图。结果表明，SLGNN 识别出的关键结构在化学上是有效的，具有较高的预测能力，并且包含了大部分结合位点。

Aug, 2023

PLA-SGCN: 蛋白质 - 配体结合亲和力预测的相似对和半监督图卷积网络的整合

本文提出了一种利用半监督图卷积网络（GCN）在蛋白质 - 配体亲和性（PLA）预测中整合了相似困难样本的方法，通过同时检索相似困难样本、学习蛋白质 - 配体描述符、学习输入样本的图拓扑结构以及使用半监督 GCN 进行任务预测，显著优于相似方法。

May, 2024

应用 eGNNs 在残基和原子图与语言模型信息相结合下，预测多突变下的蛋白结合亲和力：eGRAL

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

基于图神经网络的跨前沿蛋白相互作用预测

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

PIGNet: 基于物理知识的深度学习模型，用于广义药物靶点相互作用预测

本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质 - 配体复合物的结合亲和力，以增强深度神经网络（DNN）药物靶标交互模型的泛化能力，并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献，这种物理信息策略为进一步配体优化提供了见解。我们的模型 PIGNet 在 CASF2016 比较评估中得到验证，表现出优于以前方法的对接和筛选能力。

Aug, 2020

基于分子力学驱动的多重图图神经网络用于分子结构

该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

Nov, 2020

蛋白质图形的神经嵌入

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023

图学习网络：一种结构学习算法

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019