Proteins interact to form complexes to carry out essential biological
functions. computational methods have been developed to predict the structures
of protein complexes. However, an important challenge in protei
本文提出一种新型单一模型蛋白质质量评估方法 - Qprob，它计算蛋白质结构模型真实质量得分（GDT-TS 得分）与每个蛋白质特征值之间的绝对误差，并使用它们来估计其质量评估的概率密度分布。Qprob 在 11th Critical Assessment of Techniques for Protein Structure Prediction（CASP11）上进行了盲测试，并成功排名为最好的单一模型质量评估方法之一。该方法在预测难模型的蛋白质三级结构和质量评估方面表现出色，并为多个研究领域做出了贡献。
通过研究，我们发现当利用 AI 工具（如 AlphaFold2）预测的蛋白质结构时，现有的方法在预测准确性上存在明显的下降，我们将该现象归因于结构表示学习的结构嵌入偏差。为了解决这个问题，我们提出了一种蛋白质结构嵌入对齐优化框架（SAO），并确定了一个稳健蛋白质性质预测的蛋白质三维图结构学习问题（PGSL-RP3），通过大量实验证明了我们的框架在改进预测结构和实验结构的性质预测方面既适用于各种模型，又有效果。