本文提出了利用 3D 蛋白结构进行预训练的蛋白质表示方法，并通过多视图对比学习和自我预测任务，实现了对蛋白质的编码。实验结果表明，该方法不仅可以比现有的基于序列的方法更有效地预测蛋白质的功能和褶叠分类，而且使用的预训练数据更少。

Mar, 2022

我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

Apr, 2022

本文介绍了一种利用无监督对比学习来学习有意义的蛋白质结构表示的框架，其利用蛋白质数据银行中的蛋白质，展示了这些表示可以用于解决多种任务，如蛋白质功能预测、蛋白质折叠分类、结构相似性预测和蛋白质配体结合亲和力预测。此外，作者还表明，使用该算法预训练的微调网络在许多任务中取得了新的最优结果。

May, 2022

蛋白质表示学习是一个具有挑战性的任务，旨在从其氨基酸序列中捕获蛋白质的结构和功能。本文提出了一种神经聚类框架，通过考虑蛋白质的一级和三级结构信息来自动发现蛋白质的关键部分，在四个蛋白质相关任务上取得了最先进的表现。

Mar, 2024

通过将蛋白质表示为三维网格表面并将其与基于图的方法相结合，我们提出了一种综合性的框架，融合了表面表示和图像的学习方法，能够在所有测试任务中取得最先进的结果。

Sep, 2023

本文提出了一种基于蛋白质氨基酸之间的几何关系的指向性权重神经网络，结合了传统神经网络和等变神经网络，提供更好的蛋白质结构建模方法，并在多个计算生物学应用中取得了最佳表现。

Jan, 2022

应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

Jun, 2021

本研究通过预训练三维蛋白质结构的图神经网络，利用蛋白质的地理层次结构和亚图与全球结构的关系，提出了一种新的自我监督方法，能够显著提高三维图神经网络在不同蛋白质分类任务中的性能表现。

Jun, 2024

本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出卓越的优越性。

Mar, 2023

通过使用改良版图神经网络和序列为基础的方法进行比较，本文旨在填补预测最优蛋白变体的结构和基序方法之间的研究缺口，结果显示出使用这种新方法在训练更少的分子数量时实现了接近基序方法的竞争性性能，此外，将结构预训练模型与测定的标记数据相结合，可以产生与序列预训练模型类似的趋势。

Jun, 2023