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

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023

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

通过研究，我们发现当利用 AI 工具（如 AlphaFold2）预测的蛋白质结构时，现有的方法在预测准确性上存在明显的下降，我们将该现象归因于结构表示学习的结构嵌入偏差。为了解决这个问题，我们提出了一种蛋白质结构嵌入对齐优化框架（SAO），并确定了一个稳健蛋白质性质预测的蛋白质三维图结构学习问题（PGSL-RP3），通过大量实验证明了我们的框架在改进预测结构和实验结构的性质预测方面既适用于各种模型，又有效果。

Oct, 2023

本文介绍 3D 图结构的蛋白质表示学习。使用蛋白质结构构建 3D 图，循序渐进地学习蛋白质的不同层级表示，并提出了一种新的层次图模型 ProNet，以便更好的分类和表征蛋白质。实验结果表明，ProNet 性能优于现有方法。

Jul, 2022

通过引入基于几何向量感知器的图神经网络，在大型生物分子的 3D 结构上进行学习并利用其图结构和几何方面，从而在蛋白结构的质量评估和计算蛋白质设计两个重要问题上实现了优化，改进了现有各类体系结构，其中包括最先进的基于图的和基于体素的方法。

Sep, 2020

该研究提出了 3D 几何预训练的方法，通过使用专门为蛋白质设计的前置任务 RefineDiff 进行预训练，可以获得有效的蛋白质表征，适用于各种下游任务。

Feb, 2023

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

本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

Oct, 2021