protein-protein interactions (PPIs) are crucial in regulating numerous
cellular functions, including signal transduction, transportation, and immune
defense. As the accuracy of multi-chain protein complex structure prediction
improves, the challenge has shifted towards effectively navi
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。
通过定义氨基酸残基的序列和结构上下文,我们提出了一种微环境感知的蛋白质嵌入(MPAE-PPI)方法,将微环境编码为具有足够大的词汇(例如代码本)的化学有意义的离散代码,用于高效的大规模蛋白质相互作用(PPI)预测。经过广泛实验表明,MPAE-PPI 可以在 PPI 预测中高效而有效地处理数百万个 PPI,具有优异的效果和计算效率。