Oct, 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

PDF
TL;DR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。
protein structure-based property predictionpredicted protein structuresstructure embedding biasprotein 3d graph structure learning problemprotein property prediction
发现论文，激发创造
  • 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

  • 3D 蛋白质结构的对比表示学习

    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。

    May, 2022

  • 分子属性预测的自动化三维预训练

    本文提出了一个名为 3D PGT 的新颖框架，它可以在无法获得几何结构的实际应用情况下，以 2D 结构为输入预测分子属性，实验证明与各种预训练基线相比，其具有更高的准确性，效率和泛化能力。

    Jun, 2023

  • 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

  • 利用子图在 3D 蛋白质结构上进行几何自监督预训练

    本研究通过预训练三维蛋白质结构的图神经网络，利用蛋白质的地理层次结构和亚图与全球结构的关系，提出了一种新的自我监督方法，能够显著提高三维图神经网络在不同蛋白质分类任务中的性能表现。

    Jun, 2024

  • 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

  • 利用结构信息学习蛋白质序列嵌入

    本研究提出了一种基于表征学习的框架，将蛋白质序列映射到表示蛋白质结构信息的序列向量中，并通过双向 LSTM 模型和全局结构相似度以及单个蛋白质残基接触映射的反馈机制进行训练，实现了蛋白质序列在预测结构相似性方面的多任务学习，而且该方法在跨膜域预测方面也取得了优异的表现。

    Feb, 2019

  • 基于图结构学习的分子属性预测

    在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达到了最先进的性能水平，尤其在分类任务上表现出色。

    Dec, 2023

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • 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