本文提出了一种针对图数据集的预训练策略和自监督方法，通过在节点和整个图级别上预训练表达力强的GNN，以便GNN可以同时学习有用的局部和全局表示，并在多个图分类数据集上进行系统研究，发现我们的策略可避免负面转移并显着提高下游任务的泛化性能，最终达到了在分子性质预测和蛋白质功能预测方面的最先进性能。

May, 2019

本文介绍了一种基于机器学习的方法，利用3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

Jun, 2020

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

本文通过引入Atomic and Subgraph-aware Bilateral Aggregation模型，综合考虑原子和子图两种信息，提高分子性质预测的表示学习，该方法在药物和材料发现等领域具有广泛的应用。

May, 2023

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

使用扩散生成模型结合图神经网络，利用分子结构的潜在表示进行蛋白质结构的训练和优化，提高生成结构质量并减少推理时间。

Nov, 2023

计算模型, 几何图, 几何图神经网络, 三维原子系统, 机器学习架构

Dec, 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

ProteinWorkshop是一套用于蛋白质结构上的几何图神经网络表征学习的全面基准套件，通过对大规模预训练和下游任务进行系统评估，旨在建立机器学习和计算生物学社区之间的共同基础，以严谨地比较和推进蛋白质结构表征学习的研究。

Jun, 2024

本研究解决了现有蛋白质表示学习方法仅关注氨基酸序列而忽视蛋白质及其交互的知识的局限性。我们提出了一种新颖的架构GOProteinGNN，通过在氨基酸级别整合蛋白质知识图谱的信息，显著提高了蛋白质语言模型的表现。实验证明，该方法在多个下游任务中优于以往方法，展现出更强的鲁棒性与上下文丰富性。

Jul, 2024