May, 2022

3D 蛋白质结构的对比表示学习

PDF
TL;DR本文介绍了一种利用无监督对比学习来学习有意义的蛋白质结构表示的框架，其利用蛋白质数据银行中的蛋白质，展示了这些表示可以用于解决多种任务，如蛋白质功能预测、蛋白质折叠分类、结构相似性预测和蛋白质配体结合亲和力预测。此外，作者还表明，使用该算法预训练的微调网络在许多任务中取得了新的最优结果。
3d protein structuresrepresentation learningunsupervised contrastive learningprotein function predictionprotein-ligand binding affinity prediction
发现论文，激发创造
  • 几何结构预训练下的蛋白表征学习

    本文提出了利用 3D 蛋白结构进行预训练的蛋白质表示方法，并通过多视图对比学习和自我预测任务，实现了对蛋白质的编码。实验结果表明，该方法不仅可以比现有的基于序列的方法更有效地预测蛋白质的功能和褶叠分类，而且使用的预训练数据更少。

    Mar, 2022

  • 轻量级对比蛋白质结构序列变换

    本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出卓越的优越性。

    Mar, 2023

  • 蛋白质表征学习的聚类

    蛋白质表示学习是一个具有挑战性的任务，旨在从其氨基酸序列中捕获蛋白质的结构和功能。本文提出了一种神经聚类框架，通过考虑蛋白质的一级和三级结构信息来自动发现蛋白质的关键部分，在四个蛋白质相关任务上取得了最先进的表现。

    Mar, 2024

  • 蛋白质结构感知的自监督学习

    我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

    Apr, 2022

  • 蛋白质表征学习综述：回顾与展望

    该研究综述了蛋白质表征学习的发展及其模型架构、先验任务、下游应用等方面，介绍了序列、结构、序列 - 结构配合等三类现有方法，并探讨了蛋白质表征学习存在的技术挑战和发展方向。

    Dec, 2022

  • AtomSurf：蛋白质结构学习的表面表示

    通过将蛋白质表示为三维网格表面并将其与基于图的方法相结合，我们提出了一种综合性的框架，融合了表面表示和图像的学习方法，能够在所有测试任务中取得最先进的结果。

    Sep, 2023

  • 蛋白质三维图形结构学习用于稳健基于结构的蛋白质性质预测

    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。

    Oct, 2023

  • 3D-Mol: 分子属性预测的新型对比学习框架与三维信息

    通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

    Sep, 2023

  • 评估蛋白质结构宇宙中的表示学习

    ProteinWorkshop 是一套用于蛋白质结构上的几何图神经网络表征学习的全面基准套件，通过对大规模预训练和下游任务进行系统评估，旨在建立机器学习和计算生物学社区之间的共同基础，以严谨地比较和推进蛋白质结构表征学习的研究。

    Jun, 2024

  • 基于结构知识精细化的图级蛋白质表示学习

    本文提出了一种名为 “结构知识细化” 的新框架，用于在无监督的情况下学习整个图形级别的表示，该框架通过数据结构确定一对数据是否为正或负，并通过直观观察和实验证明了其在图形级别分类任务上优于大多数最先进的对照方法。

    Jan, 2024