该综述总结了近年来将深度学习技术应用于蛋白质结构建模及设计问题的最新进展，讨论了已经出现和需解决的挑战，针对该领域提出了许多有益的见解。

Jul, 2020

通过提取非冗余的匹配数据进行无偏机器学习，开发了能够学习和预测蛋白质编码基因的混沌游戏表示中蛋白质 - 蛋白质相互作用的卷积神经网络模型。

Oct, 2023

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

本篇论文综述了近年来利用深度学习方法在蛋白质功能预测任务领域取得的良好表现，并介绍了现代最先进的深度学习模型对计算机视觉、自然语言处理和多模态学习等领域的重大贡献。同时，文章提出自动化蛋白质功能预测任务的重要性，并希望能够鼓励更多的研究者进行相关领域的探索。

Oct, 2022

使用大规模的语言模型，可以从蛋白质序列中准确捕捉到进化信息，并在标记层和序列层任务中取得了显着的改进。

Aug, 2021

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

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

提出一种基于 DNN 的方法，结合了不确定性信息和校准技术来提取化学物质 - 蛋白质之间的相互作用。该方法能够估算数据不确定性并提高模型可靠性，同时改善性能并保持高校准能力。

Nov, 2020

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

利用已有的蛋白质相互作用数据，在嵌入空间中有效搜索潜在的蛋白质相互作用，并在形成蛋白质复合物的过程中，有效地识别潜在的结合伴侣以及其相应的结合位点。

Feb, 2024