利用从蛋白质数据库中提取的文本注释进行生成以及多模态对齐，PAAG（Protein-Annotation Alignment Generation）是一个多模态蛋白质设计框架，可以显式地在序列空间中生成带有特定领域条件的蛋白质，并且可以设计具有不同类型注释的新型蛋白质。与现有模型相比，PAAG 的实验结果在 7 个预测任务中显示出对齐蛋白质表示的优越性，并且在生成成功率方面显著提高（锌指蛋白为 24.7％对比 4.7％，免疫球蛋白结构域为 54.3％对比 8.7％）。

Apr, 2024

本文提出了一种使用深度学习从蛋白质序列及其相互作用网络中预测蛋白质功能的方法，并结合 Gene Ontology 分类蛋白质功能。实验表明该方法能够显著提高蛋白质功能预测的准确性，特别是细胞定位的预测。

May, 2017

自动蛋白质功能预测是一项大规模多标签分类问题，它旨在通过自动化蛋白质富集分析，消除对耗时的湿实验方法的依赖。通过仅使用蛋白质序列进行预测的方法逐渐提高可靠性和降低计算成本。因此，我们提出了一种基于序列的层次预测方法 DeepGATGO，它以层次化的方式处理蛋白质序列和 GO 术语标签，并利用图形注意力网络（GATs）和对比学习进行蛋白质功能预测。实验证明，我们提出的模型在大规模数据集上的 GO 术语富集分析中具有更好的可扩展性。

Jul, 2023

从蛋白质互作网络出发，通过减少与不同分类的互作蛋白质的数量来为蛋白质分配功能类别，该方法在酵母细胞蛋白质相互作用网络中得到应用并经过删除 / 插入互作关系的测试，在大量未分类蛋白质存在的情况下具有鲁棒性。

Jun, 2003

利用机器翻译技术，根据描述文字将草图标记为具有某项功能的蛋白质和基因，可以帮助解决 protein function prediction 挑战，并在各种生物医学应用中加快新路径和生物学过程的研究进展。

Apr, 2022

通过将远程同源检测集成到蛋白质语言模型中，我们实现了将结构信息融入蛋白质语言模型，从而在蛋白质功能预测任务中提高了功能注释准确性。

Feb, 2024

蛋白质功能注释是生物学中一个重要且具有挑战性的任务。最近的深度学习进展显示出通过学习蛋白质序列和结构，准确预测功能的巨大潜力。然而，这些基于预测器的方法通常忽视了蛋白质相似性建模，这是传统方法中使用序列或结构检索工具常用的思路。为了填补这一空白，我们首先通过在蛋白质功能注释任务上对比使用预测器的基准方法与使用检索器的方法，研究了蛋白质相似性建模的效果。我们的结果显示，无需大规模预训练，检索器可以与或胜过预测器。基于这些见解，我们引入了一种新颖的变分伪似然框架 ProtIR，旨在通过引入蛋白质相似性建模来改善功能预测器。该框架通过迭代地改进功能预测器和检索器之间的知识来结合两者的优势。ProtIR 在改良的预测器方法上展示了约 10% 的改进效果，并且在性能上与基于蛋白质语言模型的方法相媲美，而无需进行大量的预训练，突显了我们框架的有效性。代码将在接受后发布。

Feb, 2024

使用图神经网络和大型语言模型在编码器 - 解码器框架中，本研究提出了一种新颖的方法 Prot2Text，以自由文本形式预测蛋白质的功能，超越传统的二分类或多分类任务，该多模态方法综合蛋白质序列、结构和文本注释等多种数据类型，实现了对蛋白质功能的整体表示，提供了详细准确的描述，通过从 SwissProt 中提取多模态蛋白质数据集对模型进行评估，结果表明了多模态模型的转变性影响，特别是图神经网络和大型语言模型的融合，为研究人员提供了更准确预测蛋白质功能的强大工具，代码、模型和演示将公开发布。

Jul, 2023

本篇论文综述了近年来利用深度学习方法在蛋白质功能预测任务领域取得的良好表现，并介绍了现代最先进的深度学习模型对计算机视觉、自然语言处理和多模态学习等领域的重大贡献。同时，文章提出自动化蛋白质功能预测任务的重要性，并希望能够鼓励更多的研究者进行相关领域的探索。

Oct, 2022

OntoProtein 是第一个将 GO 结构应用于蛋白质预训练的通用框架，通过与知识图谱和蛋白质嵌入的联合优化，能够优化蛋白质表示并在蛋白质相互作用和蛋白质功能预测方面实现更好的性能。

Jan, 2022