利用基于注意力的关系上下文信息从生物医学文献中提取蛋白质相互作用(PPIs)
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
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
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
该论文研究了使用 GPT 和 BERT 模型在生物医学文本中检测蛋白质相互作用,结果发现 GPT 模型能够在生物医学文献挖掘任务中有效地检测 PPI,并且具有潜力。
Mar, 2023
本文提出了一种基于树的循环神经网络与结构化注意架构来识别蛋白质相互作用的方法,无需手动提取特征,实现了在 AIMed 和 BioInfer 基准数据集上的最优结果,并显著提高了以往最好模型的性能。此外,与传统循环网络相比,树状循环网络在监督 PPI 问题上表现更好。
Jul, 2018
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
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
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
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