提升泛化能力的蛋白质相互作用设计学习
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
本文提出了一种名为 SemiGNN-PPI 的自我整合的多图神经网络方法,用于预测蛋白质 - 蛋白质相互作用,并通过设计多个图一致性约束来提高其性能。实验表明,SemiGNN-PPI 优于最先进的 PPI 预测方法,尤其是在训练数据注释有限且测试数据不可见的情况下。
May, 2023
通过多源蛋白质相互作用数据集,利用基于 Transformer 的深度学习方法改善关系提取表现,从而协助理解生物系统中的疾病发展、基因 / 蛋白质功能和生物过程。
Mar, 2024
本研究开发了一种新的基于深度学习的框架 GraphPPI,能够利用图神经网络中提供的特征预测突变对结合亲和力的影响,并在单点和多点突变方面取得了新的最佳性能。
Aug, 2020
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
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
本研究提出一种新的评估框架和基于图神经网络的方法,旨在改善多类型蛋白质相互作用预测中的性能下降问题,尤其是在处理未知数据中的新蛋白质相互作用预测。结果表明,该方法在不同规模的真实世界数据集上都比其他最先进的预测方法表现更好。
May, 2021
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
使用基于 BioBERT 的深度学习技术从 PubMed 文摘中提取蛋白质相互作用 (PPI) 的功能类型,对这些信息进行标注。这项工作证明了通过对生物医学文摘的分析,可以大规模提高在线数据库中带有功能注释的蛋白质相互作用的数量。
Aug, 2020