Protein Structure Prediction by Protein Alignments
Toyota Technological Institute at Chicago(芝加哥丰田工业大学)
蛋白质是生命的基本组成部分。它们通常通过折叠成特定的结构来执行功能。了解折叠过程可以帮助研究人员了解蛋白质的功能,也可以帮助为缺乏蛋白质的人开发补充蛋白质,并更深入地了解与折叠蛋白质相关的疾病。实验方法既昂贵又耗时。在这篇论文中,我介绍了一种新的基于机器学习的蛋白质结构预测方法。新方法从两个方面提高了性能:创建准确的蛋白质比对和预测准确的蛋白质接触。首先,我提出了一个比对框架MRFalign,它超越了最先进的方法,并使用马尔可夫随机场来建模一个蛋白质家族,并通过将两个MRF对齐在一起来对齐两个蛋白质。与只能模拟局部范围残基相关性的其他方法相比,MRF可以模拟远程残基相互作用,从而编码蛋白质中的全局信息。其次,我提出了一个组图形Lasso方法的接触预测,结合联合多家族进化耦合分析和监督学习,以提高准确性的蛋白质没有很多序列同源。与单家族EC分析仅利用靶蛋白家族中的残基共进化信息不同,联合EC分析利用了靶蛋白家族及其相关家族中的残基共进化信息,这些家族可能具有不同的序列但具有相似的折叠。我们的方法还可以集成监督学习方法,以进一步提高准确性。我们评估了这两种方法的性能,包括其每个组件上的大型公共基准。实验表明,我们的方法可以实现更好的准确性比现有的国家的最先进的方法下的所有测量的大多数蛋白质类。
2015-10-19 cs.CE cs.LG q-bio.BM
Deep Supervised and Convolutional Generative Stochastic Network for Protein Secondary Structure Prediction
Princeton University(普林斯顿大学)
蛋白质二级结构预测是蛋白质结构预测中的一个基本问题。在这里,我们提出了一个新的监督生成随机网络(GSN)的基础上的方法来预测局部二级结构与深层次的表示。GSN是最近提出的深度学习技术(Bengio & Thibodeau-Laufer,2013),用于全球训练深度生成模型。我们提出了GSN的监督扩展,它学习马尔可夫链从条件分布中采样,并将其应用于蛋白质结构预测。为了将模型扩展到全尺寸的高维数据,例如具有数百个氨基酸的蛋白质序列,我们引入了卷积架构,该架构允许在多层分层表示中进行有效学习。我们的架构独特地专注于预测结构化的低级标签,这些标签通过模型学习的低级和高级表示来通知。在我们的应用中,这对应于标记每个氨基酸残基的二级结构状态。我们在不同的非同源蛋白质组上训练和测试了该模型,这些蛋白质具有小于30%的序列同一性。我们的模型在CB 513数据集上实现了66.4%的Q8准确度,优于先前报道的最佳性能64.9%(Wang et al.,2011)对于这个具有挑战性的二级结构预测问题。
2014-03-06 cs.CE cs.LG q-bio.QM
Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias
The Sainsbury Laboratory(塞恩斯伯里实验室)
针对机器学习模型在预测蛋白质-蛋白质相互作用时存在的数据依赖和表示偏差问题,提出提取唯一配对生成无偏数据的方法,并基于混沌博弈表示开发卷积神经网络模型,有效提升了预测性能。
2023-10-23 cs.LG
Protein-Mamba: Biological Mamba Models for Protein Function Prediction
Rensselaer Polytechnic Institute(伦斯勒理工学院);Stanford University(斯坦福大学);University of Minnesota Twin Cities(明尼苏达大学双城分校);KAIST(韩国科学技术院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对蛋白质功能预测的复杂性,提出两阶段模型Protein-Mamba,结合自监督预训练与微调以有效利用无标签和有标签数据,在多数据集上取得竞争力性能,助力药物发现。
2024-09-22 cs.LG q-bio.BM q-bio.QM
An application of topological graph clustering to protein function prediction
我们使用一个半监督的学习算法的基础上的拓扑数据分析方法来分配功能类别的酵母蛋白质使用相似性图。这种分析生物网络的新方法产生的结果与现有技术方法一样好或更好。
2014-08-24 cs.CE cs.LG q-bio.QM
A multitask transfer learning framework for the prediction of virus-human protein-protein interactions
Leibniz University Hannover(莱布尼茨汉诺威大学);University of Veterinary Medicine(兽医大学);TWINCORE, Center for Experimental and Clinical Infection Research Hannover(TWINCORE,汉诺威实验与临床感染研究中心);Umeå University(于默奥大学)
病毒感染在世界范围内造成严重的发病率和死亡率。了解特定病毒与人类蛋白质之间的相互作用模式对于揭示病毒感染和发病机制的潜在机制起着至关重要的作用。这可能进一步有助于预防和治疗与病毒有关的疾病。然而,预测新病毒与人类细胞之间的蛋白质-蛋白质相互作用的任务极具挑战性,因为关于病毒-人类相互作用的数据很少,而且大多数病毒的突变率很快。我们开发了一种多任务迁移学习方法,该方法利用了大约2400万个蛋白质序列的信息和来自人类相互作用组的相互作用模式,以解决小训练数据集的问题。我们不使用手工制作的蛋白质特征,而是利用通过深度语言建模方法从大量蛋白质序列源中学习的统计上丰富的蛋白质表示。此外,我们采用了一个额外的目标,旨在最大限度地提高观察人类蛋白质-蛋白质相互作用的概率。这个额外的任务目标充当正则化器,并且还允许并入领域知识以告知病毒-人蛋白质-蛋白质相互作用预测模型。我们的方法在13个基准数据集和SAR-CoV-2病毒受体的案例研究上取得了有竞争力的结果。实验结果表明,我们提出的模型可以有效地用于病毒-人类和细菌-人类蛋白质-蛋白质相互作用预测任务。我们在https://git.l3s.uni-hannover.de/dong/multitask-transfer上分享我们的代码,用于再现性和未来的研究。
2021-11-26 cs.LG
MUST-CNN: A Multilayer Shift-and-Stitch Deep Convolutional Architecture for Sequence-based Protein Structure Prediction
University of Virginia(弗吉尼亚大学)
从蛋白质的一级氨基酸序列预测蛋白质的溶剂可及性和二级结构等性质是生物信息学中的一项重要任务。最近,一些深度学习模型已经超越了传统的基于窗口的多层感知器。从图像分类领域获得灵感,我们提出了一种深度卷积神经网络架构MUST-CNN,用于预测蛋白质性质。这种架构使用了一种新的多层移位和缝合(MUST)技术,以产生完全密集的蛋白质序列的每位置预测。我们的模型比最先进的模型要简单得多,但效果更好。通过结合MUST和高效的卷积运算,我们可以考虑更多的参数,同时保持非常快的预测速度。我们在两个大型蛋白质性质预测数据集上击败了最先进的性能。
2016-05-10 cs.LG
Deep Learning for Protein Complex Prediction and Design
TOYOTA TECHNOLOGICAL INSTITUTE AT CHICAGO(丰田技术研究所芝加哥分校)
本文利用深度学习研究蛋白质复合体结构建模与设计,提出领域专用架构和高效搜索算法,提升预测精度与序列设计能力。
2026-05-11 cs.LG q-bio.BM
DeepConv-DTI: Prediction of drug-target interactions via deep learning with convolution on protein sequences
School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology(光州科学技术院电气与计算机工程学院)
药物-靶点相互作用(DTI)的识别在药物发现中起着关键作用。体外和体内实验的高成本和劳动密集型性质突出了基于计算机的DTI预测方法的重要性。在几个计算模型中,传统的蛋白质描述符被证明是不够的信息,以预测准确的DTI。因此,在这项研究中,我们采用卷积神经网络(CNN)的原始蛋白质序列捕获本地残基模式参与DTI。在蛋白质序列上使用CNN,我们的模型比以前的基于蛋白质标记的模型表现得更好。此外,我们的模型在大规模预测DTI方面的表现优于之前的深度学习模型。通过检查合并的卷积结果,我们发现我们的模型可以检测蛋白质的结合位点的DTI。总之,我们的预测模型用于检测目标蛋白的局部残基模式成功地丰富了原始蛋白质序列的蛋白质特征,产生比以前的方法更好的预测结果。
2018-11-06 cs.LG q-bio.QM
MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院)
提出MKGR框架,结合区域感知蛋白质序列编码与四个生物医学知识图谱,通过桥接重建目标和成对门控模块,在冷启动场景下显著提升PPI预测性能。
2026-07-03 cs.AI cs.LG
Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction
Seoul National University(首尔大学)
药物-蛋白质相互作用的表征在药物发现的高通量筛选中至关重要。基于深度学习的方法引起了人们的关注,因为它们可以预测药物-蛋白质相互作用,而无需人类的试错。然而,由于数据标记需要大量资源,可用的蛋白质数据大小相对较小,因此降低了模型性能。在这里,我们提出了两种方法来构建一个深度学习框架,该框架在小的标记数据集上表现出卓越的性能。首先,我们使用迁移学习在编码蛋白质序列时使用预训练模型,该模型以无监督的方式训练一般的序列表示。其次,我们使用贝叶斯神经网络,通过估计数据的不确定性,使一个强大的模型。因此,我们的模型在预测药物-蛋白质相互作用方面的表现优于以前的基线。我们还表明,量化的不确定性从贝叶斯推断的置信度,并可用于筛选DPI数据点。
2020-12-21 cs.LG
A Protein Structure Prediction Approach Leveraging Transformer and CNN Integration
Johns Hopkins University(约翰斯·霍普金斯大学);University of Washington(华盛顿大学);Columbia University(哥伦比亚大学);New York University(纽约大学)
针对现有蛋白质结构预测进展无法满足信息需求的问题,本文提出融合CNN与有监督Transformer蛋白质语言模型的DstruCCN模型,结合二者特征预测结合位点矩阵并重构三维结构,助力蛋白质结构研究。
2024-03-08 cs.LG q-bio.BM
On fine-tuning Boltz-2 for protein-protein affinity prediction
Synteny London, UK(伦敦Synteny研究所)
本文研究了在蛋白质-蛋白质亲和力预测中微调Boltz-2的表现,发现其在小规模和大规模数据集上均不如基于序列的方法,但结合结构和序列嵌入可提升性能。
2025-12-06 cs.LG q-bio.BM
GeoPep: A geometry-aware masked language model for protein-peptide binding site prediction
本文提出GeoPep框架,通过微调ESM3模型并结合参数高效网络与基于3D距离的损失函数,有效解决了多肽结合位点预测中数据稀疏与构象灵活的挑战,显著优于现有方法。
2025-10-30 cs.LG eess.SP
Early Detection of Ovarian Cancer by Wavelet Analysis of Protein Mass Spectra
在早期阶段准确有效地检测卵巢癌对于确保患者得到适当治疗至关重要。在早期诊断研究中研究的第一线模式中,有从蛋白质质谱中提取的特征。然而,该方法仅考虑光谱响应的特定子集,并且忽略了蛋白质表达水平之间的相互作用,蛋白质表达水平也可以包含诊断信息。我们提出了一种新的模式,自动搜索蛋白质质谱的歧视性功能,考虑自相似性质的光谱。通过对蛋白质质谱进行小波分解并估计所得小波系数能量的水平衰减率来评估自相似性。使用距离方差以稳健的方式估计水平能量,并且通过滚动窗口方法局部估计速率。这导致可以用于表征蛋白质之间的相互作用的速率的集合,这可以指示癌症的存在。然后从这些进化速率中选择判别性描述符并用作分类特征。所提出的基于小波的功能结合使用的功能,在现有的文献中提出的卵巢癌的早期诊断,使用两个数据集发表的美国国家癌症研究所。包括新模式的基于小波的特征可以提高早期卵巢癌检测的诊断性能。这证明了所提出的模式表征新的卵巢癌诊断信息的能力。
2022-07-14 cs.LG
ProteinGPT: Multimodal LLM for Protein Property Prediction and Structure Understanding
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Georgia Institute of Technology(佐治亚理工学院);Meta AI
针对传统蛋白质研究中结构功能分析复杂耗时的问题,本文提出多模态大语言模型ProteinGPT,通过集成序列结构编码器与LLM、构建大规模标注数据集并优化指令微调,在蛋白质相关查询响应上显著优于基线和通用LLM。
2025-04-17 cs.AI cs.CE cs.LG
Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms
The Hong Kong University of Science and Technology(香港科技大学)
提出分层对比学习框架HIPPO,对齐蛋白质序列与层级属性,实现跨物种PPI预测,在基准上达最优性能,并具零样本迁移能力。
2025-08-04 cs.LG q-bio.BM
ProLanGO: Protein Function Prediction Using Neural~Machine Translation Based on a Recurrent Neural Network
Pacific Lutheran University(太平洋路德大学);Baidu Inc.(百度公司);Hiretual Inc.(Hiretual公司);University of Electronic Science and Technology of China(电子科技大学)
随着新一代测序技术的发展,测定蛋白质序列的方法快速、廉价,但由于传统生物学实验技术的局限性,从蛋白质序列中提取有用信息的方法相对缓慢且昂贵。蛋白质功能预测一直是一个长期存在的挑战,填补了大量的蛋白质序列和已知功能之间的差距。本文提出了一种新的方法,将蛋白质功能问题转化为语言翻译问题,将新提出的蛋白质序列语言ProLan转化为蛋白质功能语言GOLan,并建立了一个基于递归神经网络的神经机器翻译模型,将ProLan语言翻译为GOLan语言。我们通过参加2016年最新的第三届功能注释关键评估(CAFA 3)对我们的方法进行了盲测,并评估了我们的方法在CAFA竞争后发布的功能的选定蛋白质上的性能。在训练和测试数据集上的良好性能表明,我们提出的新方法是蛋白质功能预测的一个有前途的方向。综上所述,我们首次提出了一种将蛋白质功能预测问题转化为语言翻译问题,并将神经机器翻译模型应用于蛋白质功能预测的方法。
2017-10-19 cs.LG q-bio.QM
Enhancing Protein-Protein Interaction Prediction with Hierarchical Motif-based Multimodal Protein Embedding
National University of Singapore(新加坡国立大学);University of California, Los Angeles(加州大学洛杉矶分校)
提出MMM-PPI模型,通过层次化基序的多模态编码(微观、中观、宏观三尺度)整合序列、结构和功能信息,提升蛋白质-蛋白质相互作用预测性能。
2026-05-30 cs.AI cs.LG q-bio.QM
Protein Language Model Zero-Shot Fitness Predictions are Improved by Inference-only Dropout
University of Cambridge(剑桥大学)
本研究通过在蛋白质语言模型推理时注入dropout层并平均输出,无需重训练即可提升零样本适应性预测性能,在ProteinGym子集上验证有效。
2025-05-31 cs.LG
PEER: A Comprehensive and Multi-Task Benchmark for Protein Sequence Understanding
Mila - Québec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);Shanghai Jiao Tong University(上海交通大学);Peking University(北京大学);Tsinghua University(清华大学);HEC Montréal(蒙特利尔高等商学院)
我们现在正在目睹深度学习方法在蛋白质的各种任务(或数据集)中的重大进展。但是,目前缺乏一个标准的基准来评估不同方法的性能,这阻碍了深度学习在该领域的进展。在本文中,我们提出了这样一个基准称为PEER,一个全面的和多任务的基准蛋白sSequence Understanding。PEER提供了一组不同的蛋白质理解任务,包括蛋白质功能预测,蛋白质定位预测,蛋白质结构预测,蛋白质-蛋白质相互作用预测和蛋白质-配体相互作用预测。我们为每个任务评估了不同类型的基于序列的方法,包括传统的特征工程方法,不同的序列编码方法以及大规模预训练的蛋白质语言模型。此外,我们还研究了这些方法在多任务学习环境下的性能。实验结果表明,大规模预训练的蛋白质语言模型对于大多数单个任务都具有最佳性能,联合训练多个任务进一步提高了性能。这个基准测试的数据集和源代码都可以在https://github.com/DeepGraphLearning/PEER_Benchmark上获得
2022-09-19 cs.LG
Protein (Multi-)Location Prediction: Using Location Inter-Dependencies in a Probabilistic Framework
University of Delaware(特拉华大学);Queen’s University(女王大学)
了解蛋白质在细胞内的位置对于理解其功能、在生物过程中的作用以及作为药物靶点的潜在用途非常重要。假设蛋白质定位于单一位置,在开发预测蛋白质单一位置的计算方法方面已经取得了很大进展。然而,已经表明蛋白质定位于多个位置。虽然最近的一些系统试图预测蛋白质的多个位置,但它们通常将位置视为独立的,或者通过将训练集中存在的每个位置组合视为单个位置类来捕获相互依赖性。我们提出了一种新的方法和一个初步的系统,我们已经开发出直接将位置之间的相互依赖关系到多个位置的预测过程中,使用贝叶斯网络分类器的集合。我们评估我们的系统上的数据集的单一和多本地化的蛋白质。我们的结果,通过将相互依赖性得到的显着高于那些不使用相互依赖性的分类器。我们的系统在多定位蛋白质上的性能与性能最佳的系统(YLoc+)相当,而不限制预测仅基于训练集中存在的位置组合。
2013-07-30 cs.CE cs.LG q-bio.GN
Enhancing the Protein Tertiary Structure Prediction by Multiple Sequence Alignment Generation
Shanghai AI Laboratory(上海人工智能实验室);Mila, Université de Montréal(蒙特利尔大学米拉研究所);Zelixir Biotech(泽列西尔生物科技公司);Fudan University(复旦大学);The Chinese University of Hong Kong(香港中文大学)
本文提出生成式语言模型 MSA-Augmenter,通过生成保留协同进化信息的新序列补充浅层 MSA,并在 CASP14 上证明其可进一步提升 AF2 的蛋白质结构预测质量。
2023-06-02 cs.CE cs.LG q-bio.BM
MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding
Westlake University(西湖大学);Zhejiang University(浙江大学);University of Notre Dame(圣母大学)
本文提出MAPE-PPI方法,通过微环境感知的蛋白质嵌入和掩码码本建模预训练策略,实现大规模蛋白质-蛋白质相互作用的高效且有效预测。
2024-02-22 cs.LG q-bio.BM
A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction
Tata Consultancy Services Limited(塔塔咨询服务有限公司);Aliah University(阿利亚大学)
与实验方法相比,计算蛋白质-蛋白质相互作用(PPI)预测技术可以大大减少时间,成本和假阳性相互作用。序列是蛋白质的关键信息之一,在蛋白质PPI预测中起着至关重要的作用。已应用多种机器学习方法来利用PPI数据集的特征。然而,这些数据集极大地影响了预测模型的性能。因此,在数据集管理和预测模型的设计上都应该小心。在这里,我们已经描述了我们提交的解决方案与SeqPIP竞赛的结果,其目标是从序列信息与高质量的无偏倚相互作用数据集开发全面的PPI预测模型。我们得到了一个包含2000个正交互和2000个负交互的训练集。我们的方法使用三个独立的高质量交互测试数据集和其他竞争对手的解决方案进行了评估。
2022-03-27 cs.LG cs.SI
Multimodal Pre-Training Model for Sequence-based Prediction of Protein-Protein Interaction
Baidu Inc.(百度公司)
蛋白质相互作用(PPI)是许多生物过程的基本要素,其中两种或多种蛋白质物理结合在一起以实现其功能。PPI建模对于许多生物医学应用是有用的,例如疫苗设计、抗体治疗和肽药物发现。预训练蛋白质模型以学习有效的表示对于PPI至关重要。PPI的大多数预训练模型都是基于序列的,它们天真地将自然语言处理中使用的语言模型应用于氨基酸序列。更先进的工作利用结构感知预训练技术,利用已知蛋白质结构的接触图。然而,无论是序列还是接触图都不能完全表征与PPI问题密切相关的蛋白质的结构和功能。受此启发,我们提出了一个多模态蛋白质预训练模型,该模型具有三种模态:序列,结构和功能(S2 F)。值得注意的是,我们不是使用接触图来学习氨基酸水平的刚性结构,而是使用重原子的点云的拓扑结构复合体来编码结构特征。它允许我们的模型不仅学习主链的结构信息,还学习侧链的结构信息。此外,我们的模型结合了从文献或手动注释中提取的蛋白质的功能描述的知识。我们的实验表明,S2 F学习的蛋白质嵌入在各种PPI任务上都取得了良好的性能,包括跨物种PPI、抗体-抗原亲和力预测、SARS-CoV-2的抗体中和预测以及突变驱动的结合亲和力变化预测。
2021-12-09 cs.LG q-bio.BM
ProtTeX-CC: Activating In-Context Learning in Protein LLM via Two-Stage Instruction Compression
本文提出 ProtTeX-CC,通过联合嵌入压缩和自压缩两阶段框架将蛋白质演示长度从 751 个 token 压缩至不足 16 个,从而激活 ProtTeX 的上下文学习能力,并在域内和域外蛋白质功能预测上分别提升 2% 和 11%。
2025-08-17 cs.AI cs.LG q-bio.QM
PSP: Million-level Protein Sequence Dataset for Protein Structure Prediction
Changping Laboratory(昌平实验室);Huawei Technologies Co., Ltd.(华为技术有限公司);Institute of Systems and Physical Biology, Shenzhen Bay Laboratory(深圳湾实验室系统与物理生物学研究所);Peng Cheng Laboratory(鹏城实验室)
蛋白质是人类生命的重要组成部分,其结构对于功能和机制的分析具有重要意义。最近的工作显示了人工智能驱动的蛋白质结构预测方法的潜力。然而,由于缺乏数据集和基准训练过程,新模型的开发受到限制。据我们所知,现有的开源数据集远远不能满足现代蛋白质序列-结构相关研究的需要。为了解决这个问题,我们提出了第一个百万级的高覆盖度和多样性的蛋白质结构预测数据集,命名为PSP。该数据集由570 k个真实结构序列(10 TB)和745 k个互补蒸馏序列(15 TB)组成。此外,我们还提供了SOTA蛋白质结构预测模型在该数据集上的基准训练过程。我们通过参加CAMEO竞赛验证了该数据集的实用性,在该竞赛中我们的模型获得了第一名。我们希望我们的PSP数据集和训练基准能够让更广泛的人工智能/生物学研究人员社区能够进行人工智能驱动的蛋白质相关研究。
2022-06-24 cs.LG q-bio.BM
CrysFormer: Protein Structure Prediction via 3d Patterson Maps and Partial Structure Attention
Rice University(莱斯大学)
针对现有蛋白质结构预测方法仅依赖序列信息的局限,提出首个结合晶体学数据与部分结构信息的Transformer模型CrysFormer,在小数据集上以更低成本实现了准确的蛋白质电子密度图预测。
2023-10-05 cs.LG
Random Embeddings and Linear Regression can Predict Protein Function
University of Toronto(多伦多大学)
在数百万个蛋白质序列上预训练的大型自监督模型最近在生成用于蛋白质功能预测的蛋白质序列的嵌入方面获得了普及。然而,由于缺乏随机基线,很难断定预训练是否学习了蛋白质功能预测的有用信息。在这里,我们证明了one-hot编码和随机嵌入,这两者都不需要任何预训练,是14种不同序列到功能任务中蛋白质功能预测的强基线。
2021-04-25 cs.LG q-bio.BM
Geometric Transformers for Protein Interface Contact Prediction
University of Missouri(密苏里大学)
用于预测蛋白质之间的界面接触的计算方法在药物发现中受到高度追捧,因为它们可以显着提高替代方法的准确性,例如蛋白质-蛋白质对接,蛋白质功能分析工具和蛋白质生物信息学的其他计算方法。在这项工作中,我们提出了几何Transformer,一种用于旋转和平移不变蛋白质界面接触预测的新型几何演化图Transformer,封装在DeepInteract中,DeepInteract是一种端到端的预测管道。DeepInteract预测伴侣特异性蛋白质界面接触(即,蛋白质间残基-残基接触),给出两种蛋白质的3D三级结构作为输入。在严格的基准测试中,DeepInteract在第13和第14次CASP-CAPRI实验以及对接基准5的挑战性蛋白质复合物目标上分别达到了14%和1.1%的最高L/5精度(L:复合物中蛋白质单元的长度)。在这样做的过程中,DeepInteract以Geometric Transformer作为其基于图形的主干,除了与DeepInteract兼容的其他基于图形的神经网络主干之外,还优于现有的界面接触预测方法,从而验证了Geometric Transformer在学习3D蛋白质结构下游任务的丰富关系几何特征方面的有效性。
2022-03-04 cs.LG q-bio.BM q-bio.QM
Open-Source Protein Language Models for Function Prediction and Protein Design
Deep Forest Sciences(深林科学公司);Stony Brook University(石溪大学)
本研究将蛋白质语言模型集成到开源框架DeepChem中,评估了其在蛋白质预测任务上的性能,并探索了生成降解塑料酶候选物的方法,为资源有限的研究者提供了便利。
2024-12-18 cs.LG q-bio.BM
Protein 3D Graph Structure Learning for Robust Structure-based Protein Property Prediction
Zhejiang University(浙江大学);AI Lab, Research Center for Industries of the Future, Westlake University(西湖大学未来产业研究院AI实验室)
本文针对使用AI预测蛋白质结构导致性质预测精度下降的问题,从结构嵌入偏差角度分析原因,提出PGSL-RP3问题、基准数据集及SAO框架,有效提升了预测与实验结构的预测鲁棒性。
2023-10-19 cs.AI cs.LG q-bio.QM
Protein Function Prediction Based on Kernel Logistic Regression with 2-order Graphic Neighbor Information
Beihang University(北京航空航天大学)
为了提高蛋白质相互作用蛋白质相互作用功能预测的准确性,提出了一种基于无向简单图的二阶图邻域信息特征提取方法,扩展了一阶图邻域特征提取方法。在特征组合中还采用了卡方检验统计方法。为了证明我们的2阶图形邻居特征的有效性,四个逻辑回归模型(逻辑回归(焦v. LR),扩散核逻辑回归(焦v. DKLR),多项式核逻辑回归(焦v. PKLR),和径向基函数(RBF)为基础的核逻辑回归(焦v. RBF KLR))的两个特征集进行了研究。利用慕尼黑蛋白质序列信息中心(MIPS)的蛋白质相互作用数据对酵母蛋白质组数据库(YPD)的蛋白质功能进行预测的实验结果表明,蛋白质的二阶图邻域信息可以显著提高蛋白质功能预测的平均总体百分比,尤其是RBF KLR。采用一种新的5-top卡方特征组合方法,RBF KLR在2阶近邻特征组合集上的平均综合率达到99.05%。
2012-07-18 cs.LG q-bio.MN q-bio.QM
DeepGATGO: A Hierarchical Pretraining-Based Graph-Attention Model for Automatic Protein Function Prediction
Shenzhen University(深圳大学)
针对现有蛋白质功能预测方法依赖结构信息且特征提取不足的问题,提出基于序列的层次化模型DeepGATGO,结合图注意力网络与对比学习,在大规模数据集上实现更好的可扩展性。
2023-07-24 cs.LG q-bio.QM
ProteinRPN: Towards Accurate Protein Function Prediction with Graph-Based Region Proposals
Massachusetts Institute of Technology(麻省理工学院);City University of Hong Kong(香港城市大学)
本文提出ProteinRPN,借鉴计算机视觉区域提议思想,通过图区域提议、层级感知节点丢弃池化和图多重集Transformer,结合对比学习,提升蛋白质功能预测和功能残基定位能力。
2024-09-01 cs.LG q-bio.QM
S$^2$Drug: Bridging Protein Sequence and 3D Structure in Contrastive Representation Learning for Virtual Screening
S$^2$Drug提出两阶段对比学习框架,融合蛋白质序列与三维结构信息,并通过结合位点预测辅助任务提升虚拟筛选性能。
2025-11-10 cs.AI cs.LG
Interpreting Protein Language Model Embeddings via Orthogonal Projection for Protein Fitness Prediction
Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);Broad Institute of MIT and Harvard(麻省理工学院及哈佛大学布罗德研究所);Humboldt University of Berlin(柏林洪堡大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本研究提出通过正交投影技术去除蛋白质语言模型嵌入中的可解释生化特征效应,证明其编码与生化特性相关的模式并量化其对蛋白质适应性预测的贡献,该方法可迁移至其他问题场景。
2026-08-27 cs.LG q-bio.QM
Retrieved Sequence Augmentation for Protein Representation Learning
The University of Hong Kong(香港大学);Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院);University of Waterloo(滑铁卢大学)
蛋白质语言模型在从结构预测到蛋白质工程的各种任务中表现出色。然而,蛋白质在功能和结构上是高度多样的,并且当前最先进的模型(包括最新版本的AlphaFold)依赖于多个序列比对(MSA)来提供进化知识。尽管他们的成功,沉重的计算开销,以及从头和孤儿蛋白质仍然是蛋白质表示学习的巨大挑战。在这项工作中,我们表明,MSA增强模型本质上属于retrievalaugmented方法。基于这一发现,我们引入了检索序列增强(RSA)用于蛋白质表示学习,而无需额外的对齐或预处理。RSA将查询的蛋白质序列链接到数据库中具有相似结构或性质的一组序列,并将这些序列组合起来进行下游预测。我们发现,蛋白质语言模型受益于结构预测和属性预测任务的检索增强,平均比MSA Transformer提高了5%,同时快了373倍。此外,我们表明,我们的模型可以更好地转移到新的蛋白质结构域,并优于MSA Transformer的从头蛋白质预测。我们的研究填补了蛋白质预测中经常遇到的空白,使我们更接近于揭开理解蛋白质序列所需的领域知识的神秘面纱。代码可在https://github.com/HKUNLP/RSA上获得。
2023-02-24 cs.LG q-bio.BM
DISPROTBENCH: Uncovering the Functional Limits of Protein Structure Prediction Models in Intrinsically Disordered Regions
Institute for Clarity in Documentation(清晰文档研究所);Inria Paris-Rocquencourt(巴黎-罗克琴堡研究所);Rajiv Gandhi University(拉贾·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒研究实验室)
DISPROTBENCH通过引入功能不确定性敏感度度量,揭示蛋白质结构预测模型在内源性无序区域的功能限制及预测不确定性对下游任务的影响。
2026-02-10 cs.LG q-bio.BM
Advanced atom-level representations for protein flexibility prediction utilizing graph neural networks
Mila(米拉研究所);Congruencetx(康格伦塞克斯公司)
该研究首次提出利用图神经网络在原子水平学习蛋白质表示并预测B因子,其Meta-GNN模型在PDB超4k蛋白质测试集上相关系数达0.71,大幅优于现有方法,展现了GNN在蛋白质柔性预测中的潜力。
2024-08-22 cs.AI cs.LG
Knowledge from Large-Scale Protein Contact Prediction Models Can Be Transferred to the Data-Scarce RNA Contact Prediction Task
Dartmouth College(达特茅斯学院);Northwestern University(西北大学);Central China Normal University(华中师范大学)
本文发现基于蛋白质协同进化Transformer模型学到的结构知识可迁移到数据稀缺的RNA接触预测任务,并通过迁移学习框架显著提升预测性能,缓解了数据稀缺瓶颈。
2024-01-19 cs.LG q-bio.QM
Unsupervised and Supervised Structure Learning for Protein Contact Prediction
TOYOTA TECHNOLOGICAL INSTITUTE AT CHICAGO(芝加哥丰田理工学院)
蛋白质接触为理解蛋白质结构和功能提供了关键信息,因此从序列中预测接触是一个重要的问题。最近的研究表明,一些正确预测的长距离接触可以帮助拓扑级结构建模。因此,接触预测和接触辅助蛋白质折叠也证明了这个问题的重要性。本文将简要介绍现有的相关工作,然后展示如何通过具有拓扑约束的无监督图模型建立接触预测。此外,我将解释如何使用监督深度学习方法来进一步提高接触预测的准确性。最后,我将提出一个名为多样性得分的评分系统来衡量联系预测的新颖性,以及一个算法,该算法根据新的评分系统预测联系。
2020-08-31 cs.LG q-bio.QM stat.ML
Multitask Protein Function Prediction Through Task Dissimilarity
Università degli Studi di Milano(米兰大学)
自动蛋白质功能预测是一个具有挑战性的问题,具有鲜明的特点,如蛋白质功能的层次组织和大多数生物功能的注释蛋白质的稀缺性。我们提出了一个多任务学习算法解决这两个问题。不像标准的多任务算法,使用任务(蛋白质功能)相似性信息作为偏见,以加快学习,我们表明,相异性信息强制分离罕见的类标签从频繁的类标签,并因此更适合于解决不平衡的蛋白质功能预测问题。我们支持我们的主张,表明标签传播算法的多任务扩展经验最好的工作时,任务相关性信息表示使用相异性矩阵,而不是相似性矩阵。此外,在三种模式生物上进行的实验比较表明,我们的方法在“蛋白质为中心”和“功能为中心”的评估设置中具有更稳定的性能。
2016-11-03 cs.LG q-bio.QM stat.ML
Sequence-based protein-protein interaction prediction and its applications in drug discovery
Carleton University(卡尔顿大学);NuvoBio Corp.(NuvoBio公司)
本文综述基于序列的PPI预测方法,梳理训练数据整理、传统相似性方法与以transformer为重点的深度学习模型,并展示其在蛋白质组学、靶点识别及肽和抗体药物设计中的应用。
2025-07-26 cs.LG q-bio.BM
ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction
Rutgers University(罗格斯大学);University of Liverpool(利物浦大学);Peking University(北京大学);Massachusetts Institute of Technology(麻省理工学院);New Jersey Institute of Technology(新泽西理工学院)
针对现有PPI预测方法忽略间接非物理连接的局限,提出融合蛋白质思维链ProCoT的ProLLM框架,借助LLM和信号通路推理机制,结合嵌入替换与指令微调,在基准数据集上实现了预测准确率和泛化性的显著提升。
2024-07-12 cs.LG q-bio.BM q-bio.MN
Leveraging Sequence Embedding and Convolutional Neural Network for Protein Function Prediction
National Tsing Hua University(台湾清华大学)
准确预测蛋白质功能和性质的能力在生物技术产业中是必不可少的,例如药物开发和人工蛋白质合成等。蛋白质功能预测的主要挑战是大的标签空间和缺乏标记的训练数据。我们的方法利用无监督序列嵌入和深度卷积神经网络的成功来克服这些挑战。相比之下,大多数现有的方法删除罕见的蛋白质功能,以减少标签空间。此外,一些现有的方法需要额外的生物信息(例如,蛋白质的三维结构),这在生物化学实验中难以确定。我们提出的方法显着优于其他方法的公开可用的基准只使用蛋白质序列作为输入。这使得识别蛋白质功能的过程得以加速。
2021-12-01 cs.AI cs.LG q-bio.BM
Profile Prediction: An Alignment-Based Pre-Training Task for Protein Sequence Models
University of Washington(华盛顿大学);Salesforce Research(赛富时研究院)
对于蛋白质序列数据集,由于湿实验室表征的高成本,未标记的数据大大超过了标记的数据。最近的蛋白质预测深度学习方法表明,对未标记数据进行预训练可以为下游任务产生有用的表示。然而,最佳的预训练策略仍然是一个悬而未决的问题。我们引入了一个新的预训练任务:直接预测来自多序列比对的蛋白质谱,而不是严格借鉴自然语言处理(NLP)的掩蔽或自回归语言建模的形式。使用一组五个蛋白质模型的标准化下游任务,我们证明了我们的预训练任务以及多任务目标在所有五个任务上都优于单独的掩蔽语言建模。我们的研究结果表明,蛋白质序列模型可能会受益于利用生物启发的归纳偏见,超越了NLP中现有的语言建模技术。
2020-12-01 cs.LG q-bio.BM
Prot2Token: A Unified Framework for Protein Modeling via Next-Token Prediction
Prot2Token通过统一框架实现蛋白质建模,利用下一个词预测技术提升多种蛋白质预测任务的效率和准确性。
2025-12-09 cs.LG q-bio.QM
ProtNN: Fast and Accurate Nearest Neighbor Protein Function Prediction based on Graph Embedding in Structural and Topological Space
University of Quebec At Montreal(蒙特利尔魁北克大学)
研究蛋白质的功能对于理解生命的分子机制非常重要。可公开获得的蛋白质结构的数量越来越大。然而,确定蛋白质结构的功能仍然是一项困难、昂贵和耗时的任务。这些困难往往是由于空间和拓扑结构在确定活细胞中蛋白质功能中的重要作用。在本文中,我们提出了ProtNN,一种新的蛋白质功能预测方法。给定一个未注释的蛋白质结构和一组注释的蛋白质,ProtNN基于蛋白质图的成对相似性找到最近的邻居注释结构。给定一个查询蛋白质,ProtNN发现最近的邻居参考蛋白质的基础上的图表示模型和两个查询和参考蛋白质图在结构和拓扑空间中的向量嵌入之间的成对相似性。ProtNN为查询蛋白质分配在k个最近邻参考蛋白质的集合中具有最高票数的函数,其中k是用户定义的参数。实验评估表明,与最先进的方法相比,ProtNN能够在极快的运行时间内准确地对多个数据集进行分类。我们进一步表明,ProtNN能够在单进程模式下扩展到整个PDB数据集,而无需并行化,与最先进的方法相比,运行时间增加了数千个数量级。
2016-01-25 cs.LG cs.SI
Protein Language Model-Powered 3D Ligand Binding Site Prediction from Protein Sequence
Hunter College, City University of New York(纽约市立大学亨特学院);Weill Cornell Medicine, Cornell University(康奈尔大学威尔康奈尔医学院);Graduate Center, City University of New York(纽约市立大学研究生中心)
本文提出 LaMPSite,仅利用蛋白质序列经 ESM-2 获取残基表示与接触图,并结合配体图神经网络及几何约束预测结合位点,在无三维结构输入下达到与结构方法竞争的性能。
2023-12-05 cs.CL cs.LG q-bio.QM
SeqProFT: Sequence-only Protein Property Prediction with LoRA Finetuning
University of Birmingham(伯明翰大学)
SeqProFT通过LoRA微调实现基于序列的蛋白质属性预测,证明小型模型在性能和效率上可媲美大型模型,同时降低计算需求。
2025-12-06 cs.LG q-bio.QM
Enhanced compound-protein binding affinity prediction by representing protein multimodal information via a coevolutionary strategy
Zhejiang University School of Medicine(浙江大学医学院);First Affiliated Hospital, Zhejiang University School of Medicine(浙江大学医学院附属第一医院);Liangzhu Laboratory(良渚实验室);Zhejiang University(浙江大学);Nantong University(南通大学);Hunan First Normal University(湖南第一师范学院)
由于缺乏一种方法来有效地表示蛋白质的多模态信息,包括其结构和序列信息,预测化合物-蛋白质结合亲和力(CPA)仍然遭受低精度时,应用机器学习方法。为了克服这一限制,在一个新的端到端的架构(命名为神经网络),我们开发了一个共同进化的策略,共同代表的结构和序列特征的蛋白质,并最终优化数学模型预测CPA。此外,从数据驱动方法的角度来看,我们提出了一种合理的方法,可以利用高质量和低质量的数据库,以优化的精度和泛化能力的BP神经网络在CPA预测任务。值得注意的是,我们直观地解释了合理设计的建筑中序列和结构之间的特征交互过程。因此,在虚拟药物筛选任务中,神经网络大大优于最先进的(SOTA)基线,表明这种方法在实际应用中的可行性。神经网络通过协同进化策略有效地表达蛋白质的多峰信息,为提高CPA预测精度和泛化能力提供了一种出色的方法。
2022-11-24 cs.LG q-bio.BM
Hierarchical Protein Function Prediction with Tail-GNNs
University of Belgrade(贝尔格莱德大学);DeepMind
蛋白质功能预测可以被构建为预测描述蛋白质功能层次结构的有向非循环图的子图(具有某些封闭性质)。图神经网络(GNN)具有内置的关系数据归纳偏差,因此自然适合这项任务。然而,与大多数GNN应用程序相比,图与输入无关,而是与标签空间相关。因此,我们提出了Tail-GNNs,即自然与任何神经网络的输出空间组合以进行多任务预测的神经网络,以提供关系增强标签。对于蛋白质功能预测,我们将Tail-GNN与学习蛋白质序列表示的扩张卷积网络相结合,使F_1得分显着提高,并展示了Tail-GNN学习有用的标签表示并将其用于现实世界问题解决的能力。
2020-07-24 cs.LG q-bio.BM stat.ML