基于 K-mer 的蛋白质相互作用预测方法改进：混沌游戏表示法、深度学习和降低表示偏差

Oct, 2023

基于 K-mer 的蛋白质相互作用预测方法改进：混沌游戏表示法、深度学习和降低表示偏差

Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias

PDF

Ruth Veevers, Dan MacLean

TL;DR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。

Abstract

protein-protein interactions drive many biological processes, including the detection of phytopathogens by plants' R-Proteins and cell surface receptors. Many →

protein-protein interactions phytopathogens machine learning representation bias convolutional neural network

发现论文，激发创造

建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

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

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

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

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

利用 PPI 检索进行高效的蛋白质相互作用研究

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

通过校准的深度神经网络和自我训练提取化学物质 - 蛋白质相互作用

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

揭示蛋白质相互作用基准中的数据泄漏

分析了蛋白质相互作用数据集中常见的数据泄漏问题并提出了构建基于蛋白质相互作用界面的结构相似性的数据集划分方法。

Apr, 2024

DeepAffinity: 基于统一的循环卷积神经网络的化合物 - 蛋白亲和性可解释的深度学习

利用领域知识和深度学习方法，提出了一种半监督深度学习模型，旨在从蛋白质序列中预测化合物与蛋白质相互作用并对其进行解释，表现优于传统方法，并采用转移学习进一步提高了新型蛋白质的预测效果以及对筛选药物的解释性能。

Jun, 2018

蛋白质突变影响预测的多级交互建模

通过自我监督的多层预训练框架 ProMIM，全面捕获三个层级的蛋白质相互作用，该框架在标准基准测试中表现优异，特别是在可能导致蛋白质背骨构象显著变化的突变上，还能进行零样本评估，显示了其作为新一代强大的药物开发工具在 SARS-CoV-2 突变效应预测和抗体优化方面的潜力。

May, 2024

一种用于精准绑定亲和力评分和虚拟筛选的多用途深度学习蛋白质 - 配体相互作用预测模型

通过引入新的数据增强策略和物理信息神经网络，我们提出了一种解决蛋白质 - 配体相互作用预测中结构 - 亲和力数据缺乏的问题的可行方法，并得到了显著的性能提升，适用于药物发现中的配体结合活性评分和虚拟筛选。

Jul, 2023