Apr, 2024

蛋白质相互作用的图神经网络 —— 简要调查

PDF
TL;DR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。
发现论文，激发创造
  • 基于图神经网络的跨前沿蛋白相互作用预测

    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

  • SemiGNN-PPI: 自集成多图神经网络用于高效通用的蛋白质相互作用预测

    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

  • 图神经网络预训练对蛋白质相互结合亲和力突变效应建模的研究

    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

  • 双层图神经网络用于药物相互作用预测

    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

  • 基于结构感知的交互式图神经网络用于预测蛋白质 - 配体结合亲和力

    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

  • 基于图匹配方法的蛋白质相互作用网络的全局对齐

    该研究针对蛋白质 - 蛋白质相互作用网络对齐问题，提出了基于图匹配算法的两种解决方案，分别基于序列相似性和相互作用保守性，两种新算法均优于现有算法，可检测到更多的已知保守性交互作用。

    May, 2009

  • 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

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 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）

    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

  • 基于图表示学习的组学数据策略：帕金森病案例研究

    该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

    Jun, 2024