关键词protein representation learning
搜索结果 - 6
- 利用子图在 3D 蛋白质结构上进行几何自监督预训练
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。
- 利用负样本挖掘提升蛋白质语言模型
通过在蛋白质对应的网络中训练转化器模型以提取负样本中的宝贵见解，我们引入了一种创新的方法来提高大型语言模型在蛋白质表示学习领域的性能，这种先进的策略不仅增强了性能，还可以反映出蛋白质所表现出的微妙的生物行为，与蛋白质相互作用等传统生物机制相 - ICLR捕捉蛋白质序列 - 结构 - 功能关系的蛋白质表示学习
蛋白质表示学习旨在从蛋白质数据库中提取知识，以应用于各种蛋白质相关的下游任务，我们引入了新颖的不对称多模态掩码自编码器（AMMA），利用统一多模态编码器将蛋白质序列、结构和功能三种关键形态集成为统一的表示空间，通过不对称解码器确保序列潜在特 - CVPR蛋白质表征学习的聚类
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。
- 蛋白质表示学习的深度流形变换
我们提出了一种新的深度流形转换方法来进行通用蛋白质表示学习（DMTPRL），通过流形学习策略改进学习嵌入的质量和适应性，利用基于图内节点相似度的新颖流形学习损失训练，DMTPRL 方法在流行数据集上的各种下游任务中表现优于最先进的基线结果， - ICLR通过知识增强的原始结构建模进行蛋白质表示学习
KeAP 提出了一种利用知识的自编码器方法，通过 token-level 知识图谱探索辅助蛋白质表示学习，取得了比之前更好的结果。