PepGB: 通过图神经网络促进肽类药物发现
提出了一种名为 Bi-GNN 的方法,用于建模生物学链接预测任务,如药物相互作用(DDI)和蛋白质相互作用(PPI),该方法不仅利用了药物分子本身的图形表示,还包括相互作用图。
Jun, 2020
蛋白质相互作用(PPI)在广泛的生物过程中起着关键作用。本文回顾了各种基于图的方法,并讨论了它们在 PPI 预测中的应用。我们将这些方法分为两个主要组,一类采用图神经网络(GNN)或图卷积网络(GCN),而第二类则利用图注意力网络(GAT)、图自编码器和 Graph-BERT。我们强调每种方法在处理 PPI 网络中的图结构数据方面的独特方法,并预测在此领域的未来研究方向。
Apr, 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
本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质 - 配体复合物的结合亲和力,以增强深度神经网络(DNN)药物靶标交互模型的泛化能力,并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献,这种物理信息策略为进一步配体优化提供了见解。我们的模型 PIGNet 在 CASF2016 比较评估中得到验证,表现出优于以前方法的对接和筛选能力。
Aug, 2020
本篇论文旨在利用一种基于机器学习的框架快速有效地筛选出新的抗菌肽,其中利用了基于循环神经网络和基于图形的过滤器,从而显著减少湿实验的次数和时间成本。
Sep, 2022
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
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
本研究提出了一种结构感知交互图神经网络 (SIGN),用于预测蛋白质 - 配体复合物的亲和力。SIGN 包含极性启发式图注意力层(PGAL)和配对交互池(PiPool)两个部分,能充分利用生物分子结构信息并考虑原子之间的长程相互作用,在两个基准测试中显示其优越性。
Jul, 2021
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