蛋白质功能预测的深度学习技术综述
本文提出了一种使用深度学习从蛋白质序列及其相互作用网络中预测蛋白质功能的方法,并结合 Gene Ontology 分类蛋白质功能。实验表明该方法能够显著提高蛋白质功能预测的准确性,特别是细胞定位的预测。
May, 2017
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
本文探究将深度学习神经网络应用于蛋白质设计,以预测蛋白质中每个残基上 20 种天然氨基酸的几率,并且以网络输出为残基类型约束,顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性,同时相比早期方法,本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率,这些结果将推动计算蛋白质设计方法的进一步发展。
Jan, 2018
该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法,利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习,达到了最先进的性能表现。
Apr, 2018
深度学习在计算生物学中的历史、优势、挑战,以及应用于 DNA 序列分类、蛋白质结构预测等方面的前景进行了综述,强调了需要解决大规模标记数据集和深度学习模型可解释性等挑战以充分发挥其潜力,对于检测基因组变异、分析基因表达等方面带来了重要的转变,同时在表观遗传学数据分析和蛋白质结构预测方面也取得了显著进展,展望了深度学习在计算生物学中的未来前景。
Oct, 2023
本研究基于深度学习技术开发神经网络进行蛋白结构评分预测,仅使用三维原子密度数据,无需预定义的结构特征,并在 CASP7 到 CASP10 数据集上进行训练,测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。
Jan, 2018
通过使用深度学习和自然语言处理算法,我们提出了一种方法来分类 ATP - 蛋白结合位点,并进行了多种实验,结果显示相比最先进的基准方法有了改进。
Feb, 2024
自动蛋白质功能预测是一项大规模多标签分类问题,它旨在通过自动化蛋白质富集分析,消除对耗时的湿实验方法的依赖。通过仅使用蛋白质序列进行预测的方法逐渐提高可靠性和降低计算成本。因此,我们提出了一种基于序列的层次预测方法 DeepGATGO,它以层次化的方式处理蛋白质序列和 GO 术语标签,并利用图形注意力网络(GATs)和对比学习进行蛋白质功能预测。实验证明,我们提出的模型在大规模数据集上的 GO 术语富集分析中具有更好的可扩展性。
Jul, 2023