低数据环境中蛋白质 - 肽接口预测的改进

ICLRMay, 2023

低数据环境中蛋白质 - 肽接口预测的改进

Improving Protein-peptide Interface Predictions in the Low Data Regime

Justin Diamond, Markus Lill

TL;DR本研究提出了一种新颖的生物模态转换器，通过学习残余联系的界面联合分布来预测蛋白质 - 肽相互作用，并采用来自 PepBDB 和 PDB 的伪蛋白质 - 肽复合物的扩充数据集实现数据扩充，使用神经网络进行训练以代替模板建模方法，从而增加了模型的预测能力。

Abstract

We propose a novel approach for predicting protein-peptide interactions using a bi-modal transformer architecture that learns an inter-facial joint distribution of residual contacts. The current data sets for cry

protein-peptide interactions bi-modal transformer architecture data augmentation neural networks template-based modeling

发现论文，激发创造

蛋白质界面接触预测的几何变换器

本论文介绍了几何变换图形转换器 Geometric Transformer 和预测蛋白质界面接触的终端到终端预测管道 DeepInteract，它通过输入两个蛋白质的 3D 三级结构，预测特定于对象的蛋白质界面接触，成功地超越了现有的界面接触预测方法以及其他图形神经网络骨架，从而验证了 Geometric Transformer 在学习富含关系 - 几何特征方面的有效性。

Oct, 2021

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

基于远程标注和置信度校准的大规模蛋白质翻译后修饰抽取

在这项研究中，作者使用 IntAct PPI 数据库创建了一个远程监督的数据集，用 PPI-BioBERT-x10 训练集成的 BioBERT 模型来预测蛋白质对之间的 PTMs，并提出一个置信度校准的方法以对其进行过滤和人工筛选。他们发现，即使进行了置信度校准，也会出现在测试数据集外的误差和挑战。因此，他们利用多篇文章进行预测，从而提高了预测的精度和可靠性。这项研究探讨了深度学习方法在文本挖掘中的应用和局限性，同时强调了在人工筛选过程中置信度校准的重要性。

Jan, 2022

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

3D 蛋白结构端到端学习用于界面预测

本研究基于一个大型数据库，通过开发学习模型 SASNet，改进了蛋白质相互作用预测的方法，证明了现有模型的性能不足以适用于大尺度数据，新模型展现出更好的性能。

Jul, 2018

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

ProtTrans：通过自监督深度学习与高性能计算攻克生命密码的语言

通过训练两个自回归模型和四个自编码器模型，使用生物信息数据培训出来的语言模型（Language Models）能够在低推断开销下完成新的前沿预测，例如使用蛋白 LM - 嵌入 (ProtT5) 能够在无需使用进化信息的情况下，成功地进行氨基酸序列每残基预测，并出现在这个 https URL。