Feb, 2024

PSC-CPI: 高效且可泛化的多尺度蛋白质序列 - 结构对比用于化合物 - 蛋白相互作用预测

PDF
TL;DR提出了一种新颖的多尺度蛋白质序列 - 结构对比 (CPI) 预测框架 (PSC-CPI)，通过在蛋白质序列和结构之间进行内部模态和交叉模态对比，从多个尺度捕捉了蛋白质序列和结构之间的依赖关系，并且具有良好的模型普适性。
compound-protein interactioncpi predictiondeep learning-based methodsmulti-scale protein sequence-structure contrasting frameworkmodel generalizability
发现论文，激发创造
  • MCPI: 融合多模态数据以增强化合物 - 蛋白质相互作用预测

    本文提出了一种名为 MCPI 的新型模型，通过整合多种信息源（包括 PPI 网络、CCI 网络和 CPI 的结构特征等），以提高 CPI 预测性能，并应用于搜索潜在的 SARS-CoV-2 抑制剂。结果表明，该模型优于其他现有的 CPI 预测模型，有望推动我们对 CPI 的理解和指导药物研发工作。

    Jun, 2023

  • 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

  • 利用高斯概率分布和外部生物医学知识进行化学物质 - 蛋白质相互作用提取

    本文提出了一种基于神经网络、BERT 和高斯概率分布的方法，以改进在生物医学文献中提取化学物质 - 蛋白质相互作用的性能，该方法能够充分利用局部结构和外部医学知识，并在实验中取得了比其他最先进方法更好的结果。

    Nov, 2019

  • 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

  • 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

  • 基于远程标注和置信度校准的大规模蛋白质翻译后修饰抽取

    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

  • DrugCLIP：用于虚拟筛选的对比蛋白质 - 分子表示学习

    本文介绍了一种新颖的对比学习框架 DrugCLIP，通过将虚拟筛选重新构建为密集检索任务，并利用对比学习来对齐大量配对数据中的结合蛋白口袋和分子的表示，从而无需准确的结合亲和力标签。同时，我们还引入了一种受生物知识启发的数据增强策略，以学习更好的蛋白质 - 分子表示。广泛实验结果表明，DrugCLIP 在不同的虚拟筛选基准测试中明显优于传统对接和监督学习方法，尤其是在零样本设置中，大大减少了计算时间。

    Oct, 2023

  • 结合多粒度结构和多尺度序列表示优化 PTM 位点预测

    通过多粒度结构与多尺度序列表示的耦合，本研究提出了一种蛋白质翻译后修饰位点预测方法（PTM-CMGMS），该方法利用 AlphaFold 预测的结构学习邻域结构表示，并通过对比学习优化结构表示，同时通过多尺度序列表示学习提取上下文序列信息，通过对齐所有上下文序列生成基序辅助预测，实验结果表明 PTM-CMGMS 优于现有方法。

    Jan, 2024

  • 从生物医学文献中提取蛋白质相互作用的深度学习

    本文提出了一种多通道依存关系卷积神经网络模型（McDepCNN），它将一个通道应用于句子中每个单词的嵌入向量，另一个通道应用于相应单词的头部的嵌入向量，比当前最先进的丰富特征和单核方法效果更好，并在交叉语料库评估上相对提高了 24.4％，在 “困难” 实例上的 F1-score 相对提高了 12％。

    Jun, 2017