Transfer Learning for Protein Structure Classification at Low Resolution
Queen Mary University of London(伦敦玛丽女王大学)
结构测定是在分子水平上理解蛋白质功能的关键。虽然在从氨基酸序列预测结构和功能方面取得了重大进展,但研究人员仍然必须依赖昂贵,耗时的分析方法来可视化详细的蛋白质构象。在这项研究中,我们证明了可以使用在表示为2D矩阵的高分辨率($\leq$ 3A)结构上训练的深度卷积神经网络,从低($>$ 3A)分辨率下确定的结构中准确($\geq$ 80%)预测蛋白质类和结构。因此,我们提供了高速,低成本的蛋白质结构分类在低分辨率的概念证明,并扩展到功能预测的基础。我们调查的输入表示对分类性能的影响,表明侧链信息可能是不必要的细粒度的结构预测。最后,我们证实了高分辨率,低分辨率和NMR确定的结构存在于一个共同的特征空间,从而为单图像超分辨率增强提供了理论基础。
2020-08-31 cs.CV cs.LG q-bio.BM
Q-BIOLAT: Binary Latent Protein Fitness Landscapes for QUBO-Based Optimization
University of Alabama at Birmingham(阿拉巴马大学伯明翰分校)
本文提出Q-BIOLAT框架,利用二进制隐式空间优化蛋白质适应度景观,通过QUBO模型结合预训练嵌入和结构化表示,提升组合优化效果。
2026-09-17 cs.LG
Protein Fold Classification at Scale: Benchmarking and Pretraining
Max Planck Institute of Biochemistry(马克斯·普朗克生物化学研究所);Computer Science Department, University of Stuttgart(斯图加特大学计算机科学系)
本文提出TEDBench,一个大规模非冗余的蛋白质折叠分类基准,通过Encyclopedia of Domains和Foldseek-clustered AlphaFold结构构建。基于此基准,作者提出Masked Invariant Autoencoders (MiAE)框架,通过高掩码率和SE(3)不变编码器实现蛋白质结构表示学习,从而在TEDBench上取得优异性能。
2026-05-18 cs.LG q-bio.BM q-bio.QM
Application of Quantum Tensor Networks for Protein Classification
Pennsylvania State University(宾夕法尼亚州立大学)
该研究将蛋白质序列视为自然语言,利用量子张量网络(QTN)基于亚细胞位置进行分类,最佳量子模型以约800参数达到94%准确率,媲美含800万参数的经典ESM2模型,展示了量子机器学习在生物信息学中的潜力。
2024-03-11 cs.LG q-bio.BM quant-ph
Protein Classification using Machine Learning and Statistical Techniques: A Comparative Analysis
Dr. A. P. J. Abdul Kalam Technical University(阿卜杜勒·卡拉姆博士技术大学);National Institute of Technology Patna(巴特那国家理工学院);R.E. C. Ambedkar Nagar(安贝德卡纳尔工程学院)
从未知蛋白质中预测酶的种类是近年来生物信息学中的一项挑战性任务。随着蛋白质数量的不断增加,酶类的预测给生物信息学工作者带来了新的机遇。本文的主要目标是实现机器学习分类技术的特征选择和预测,并找到一个适当的分类技术的功能预测。本文采用CRT、QUEST、CHAID、C5.0、ANN(Artificial神经网络)、SVM和Bayesian等七种不同的分类技术对UniprotKB数据库中的4368个蛋白质数据进行分类,并将其分为六类。蛋白质数据是高维序列数据,最多包含48个特征,为了对高维序列蛋白质数据进行不同的分类,本文使用SPSS作为实验工具。不同的分类技术对每个模型给出不同的结果,并显示C4、C5和C6类的数据不平衡。数据的不平衡影响模型的性能。在这三个类中,查准率和查全率值非常小或可以忽略不计。实验结果表明,C5.0分类技术的准确性更适合于蛋白质特征分类和预测。C5.0分类技术给出了95.56%的准确率,也给出了高精度和召回值。最后,我们得出结论,所选择的功能可以用于功能预测。
2019-01-18 cs.LG q-bio.QM stat.ML
Network-based protein structural classification
University of Notre Dame(圣母大学)
蛋白质功能的实验测定是消耗资源的。作为替代方案,蛋白质功能的计算预测已经受到关注。在这种情况下,蛋白质结构分类(PSC)可以通过允许基于其特征确定当前未分类蛋白质的结构类别,然后依赖于具有相似结构的蛋白质具有相似功能的事实来提供帮助。现有的PSC方法依赖于基于序列或直接的基于三维(3D)结构的蛋白质特征。相比之下,我们首先将蛋白质的3D结构建模为蛋白质结构网络(PSN)。然后,我们使用基于网络的PSC功能。我们建议在PSC的任务中使用graphlets,这是网络科学许多研究领域中最先进的功能。此外,由于graphlet只能处理未加权的PSN,并且由于在构建PSN时考虑边权重可以提高PSC准确性,因此我们还提出了一个深度学习框架,可以从加权的PSN中自动学习网络特征。当在一个大集合的~ 9,400 CATH和~ 12,800 SCOP蛋白质结构域(跨越36个PSN集)上进行评估时,我们提出的方法在准确性方面优于现有的PSC方法,具有可比的运行时间。
2020-03-15 cs.LG q-bio.MN stat.ML
NaNa and MiGu: Semantic Data Augmentation Techniques to Enhance Protein Classification in Graph Neural Networks
National Tsing Hua University(国立清华大学);IBM Research(IBM研究院);The Chinese University of Hong Kong(香港中文大学)
针对现有方法在蛋白质分类中忽略动态构象和侧链特征的问题,提出NaNa和MiGu语义数据增强方法及共嵌入残差学习框架,融合主链化学与侧链生物物理信息,显著提升GIN在EC和Fold数据集上的分类性能。
2024-03-26 cs.AI cs.LG q-bio.QM
Position Specific Scoring Is All You Need? Revisiting Protein Sequence Classification Tasks
Georgia State University(佐治亚州立大学);Lahore University of Management Sciences(拉合尔管理科学大学);IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
本文提出加权位置特异性打分核矩阵(W-PSSKM),结合PSS表示与字符串核进行蛋白质序列分类,准确率最高提升45.1%,显著优于现有基线与最先进方法。
2024-10-16 cs.LG
Machine Learning for Classification of Protein Helix Capping Motifs
Data Science Institute(数据科学研究所);Department of Biomedical Engineering(生物医学工程系);University of Virginia(弗吉尼亚大学)
蛋白质的生物学功能源于其三维结构,三维结构由其氨基酸构建单元之间的原子间力的能量学决定(氨基酸的顺序,称为序列,定义了蛋白质)。考虑到通过实验手段(如X射线晶体学)确定蛋白质结构的成本(时间,金钱,人力资源),我们是否可以更好地描述和比较蛋白质的3D结构,以获得有意义的生物学见解?我们首先考虑一个相对简单的问题,仅限于蛋白质二级结构元件。历史上,已经设计了许多计算方法来将蛋白质链中的氨基酸残基分类为几种离散二级结构中的一种,其中最充分表征的是几何规则的$α$-螺旋和$β$-片层;不规则的结构模式,如"转角"和"环",则较少了解。在这里,我们提出了一项深度学习技术的研究,以分类界定$α$-螺旋的环状端帽结构。以前的工作使用高度经验和启发式的方法来手动分类螺旋帽基序。相反,我们直接使用结构数据-包括(i)从3D结构计算的主链扭转角,(ii)大分子特征集(例如,物理化学性质),和(iii)螺旋帽分类数据(来自CAPS-DB)-作为基础事实来训练双向长短期记忆(BiLSTM)模型以分类螺旋帽残基。为了训练和评估几个模型,我们尝试了不同的网络架构和扫描超参数;我们还训练了一个支持向量分类器(SVC)作为基线。最终,我们通过深度BiLSTM模型实现了85%的类平衡准确率。
2019-05-01 cs.LG q-bio.BM q-bio.QM
Biologically inspired ChaosNet architecture for Hypothetical Protein Classification
Amrita Vishwa Vidyapeetham(阿姆里塔维迪亚佩塔姆大学);Amrita School of Biotechnology(阿姆里塔生物技术学院)
该研究提出将受生物启发的混沌神经网络框架ChaosNet应用于假设蛋白功能分类,利用其混沌神经元的特性,在训练数据极少的情况下取得了可与传统标准机器学习方法相比拟的分类效果。
2023-02-05 cs.LG
Discrete Ricci Curvature on Protein Contact Graphs for Lightweight Fold Classification
研究蛋白质折叠分类,将α碳接触图上的离散Ricci曲率作为轻量级结构描述符,与多种基线比较。结果显示其性能优于平均池化的ESM-2嵌入,与持久同调结合性能最强,为预训练蛋白质语言模型嵌入提供实用替代方案。
2026-07-21 cs.LG
ProteoKnight: Convolution-based Phage Virion Protein Classification and Uncertainty Analysis
Computer Science and Engineering(计算机科学与工程);BRAC University(布拉克大学);Computing for Sustainability and Social Good (C2SG) Research Group(可持续性与社会公益(C2SG)研究组)
本研究提出ProteoKnight图像编码方法,结合预训练CNN实现PVP二元分类准确率90.8%,通过MCD分析发现蛋白类别与长度会影响预测置信度,且该方法优于FCGR。
2026-08-18 cs.AI cs.LG
MI-PEFT: Mixture-of-Experts Integrated Parameter-Efficient Fine-Tuning Protein Language Models Improves Acidophilic Proteins Classification
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
针对嗜酸蛋白鉴定耗时问题,提出MI-PEFT框架,结合LoRA与DeepSeekMoE分类头,在ESM C-600M上实现高效分类并缓解类别不平衡。
2026-09-09 cs.LG q-bio.QM
Capsule Networks for Protein Structure Classification and Prediction
University of Puerto Rico(波多黎各大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
胶囊网络具有解决结构生物学问题的巨大潜力,因为它们关注层次关系。本文描述了一个胶囊网络架构的实现和应用,以基于GPU的计算资源上的RAS蛋白质家族结构的分类。在2D和3D结构编码上训练的胶囊网络可以成功地分类HRAS和KRAS结构。Capsule Network还可以对基于KRAS和HRAS突变序列的PSI-BLAST搜索得出的蛋白质数据集进行分类。我们的结果显示,与传统卷积网络相比,准确性有所提高,同时通过激活向量的可视化提高了可解释性。
2018-08-22 cs.LG q-bio.QM stat.ML
DeepProteomics: Protein family classification using Shallow and Deep Networks
Center for Computational Engineering and Networking (CEN)(计算工程与网络中心(CEN));Amrita School of Engineering(阿姆里塔工程学院);Amrita Vishwa Vidyapeetham(阿姆里塔维什瓦维迪亚佩瑟姆大学)
关于蛋白质功能的知识是必要的,因为它给出了生物过程的清晰画面。然而,有许多蛋白质序列被发现并添加到数据库中,但缺乏功能注释。实验室实验需要花费大量的时间来注释序列。这就需要使用计算技术来根据蛋白质的功能对其进行分类。在我们的工作中,我们收集了数据从Swiss-Prot包含40433蛋白,分为30个家庭。我们将其传递到递归神经网络(RNN),长短期记忆(LSTM)和门控递归单元(GRU)模型,并通过在同一数据集上应用深度神经网络和浅层神经网络来比较它。通过这种方法,我们可以实现最高约78%的蛋白质家族分类的准确率。
2018-09-11 cs.LG cs.NE q-bio.QM
Contrastive Representation Learning for 3D Protein Structures
Ulm University(乌尔姆大学)
从3D蛋白质结构中学习已经在蛋白质建模和结构生物信息学中获得了广泛的兴趣。不幸的是,可用结构的数量比计算机视觉和机器学习中常用的训练数据大小低几个数量级。此外,当只考虑注释的蛋白质结构时,这个数字甚至进一步减少,使得现有模型的训练变得困难并且容易过度拟合。为了应对这一挑战,我们引入了一个新的三维蛋白质结构表示学习框架。我们的框架使用无监督对比学习来学习蛋白质结构的有意义的表示,利用蛋白质数据库中的蛋白质。我们展示了如何使用这些表示来解决各种各样的任务,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,我们还展示了使用我们的算法进行预训练的微调网络如何显著提高任务性能,在许多任务中实现了新的最先进的结果。
2022-05-31 cs.LG q-bio.BM
HPSLPred: An Ensemble Multi-label Classifier for Human Protein Subcellular Location Prediction with Imbalanced Source
Tianjin University(天津大学)
蛋白质亚细胞定位的预测是一个重要而具有挑战性的问题。传统的实验方法往往昂贵且耗时。因此,越来越多的研究工作采用一系列的机器学习方法来预测蛋白质的亚细胞位置。在最先进的预测方法中存在两个主要挑战。首先,大多数现有的技术被设计为处理多类而不是多标签分类,这忽略了多个标签之间的连接。事实上,特定蛋白质的多个位置意味着有重要和独特的生物学意义,值得特别关注,不能忽视。第二,在多标签分类问题中处理不平衡数据的技术是必要的,但从未使用过。为了解决这两个问题,我们开发了一个集成多标签分类器称为HPSLPred,它可以应用于多标签分类与不平衡的蛋白质来源。为方便起见,在http://server.malab.cn/HPSLPred上建立了一个用户友好的网络服务器。
2017-04-18 cs.LG
Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification
University of California, Berkeley(加州大学伯克利分校)
本研究比较了传统机器学习与深度学习在基于动态蛋白质结构网络进行蛋白质结构分类时的准确性和效率,发现两者准确性相近但深度学习慢10倍以上。
2026-06-15 cs.LG q-bio.MN
DeepSF: deep convolutional neural network for mapping protein sequences to folds
University of Missouri(密苏里大学)
蛋白质折叠识别是结构生物信息学中的一个重要问题。传统的折叠识别方法几乎都是通过序列(同源性)比较,根据已知结构的模板蛋白的折叠来间接预测目标蛋白的折叠,无法解释序列与折叠之间的关系。由于方法学的限制,只有少数几种方法被开发出来将蛋白质序列分类为少量的折叠,这些方法在实践中通常不实用。结果我们开发了一个深度一维卷积神经网络(DeepSF),可以直接将任意蛋白质序列分类到1195个已知折叠中的一个,这对于折叠识别和序列-结构关系的研究都是有用的。与传统的基于序列比对(比较)的方法不同,我们的方法自动地从任意长度的蛋白质序列中提取折叠相关的特征,并将其映射到折叠空间。我们在SCOP1.75的数据集上对我们的方法进行了训练和测试,分类准确率为80.4%。在SCOP2.06的独立测试数据集上,分类准确率为77.0%。我们比较了我们的方法与顶部轮廓轮廓对齐方法- HHSearch在CASP 9 -12的基于硬模板和无模板的建模目标上的折叠识别准确性。对于前1、5和10个预测折叠,我们的方法在无模板建模目标上的准确性比HHSearch高14.5%-29.1%,在基于硬模板的建模目标上高4.5%-16.7%。该方法提取的隐藏特征对序列突变、插入、删除和截短具有较强的鲁棒性,可用于蛋白质聚类、比较和排序等其他蛋白质模式识别问题。
2017-06-04 cs.LG q-bio.BM
Multi-Scale Representation Learning on Proteins
ETH Zurich(苏黎世联邦理工学院)
蛋白质是介导细胞功能和疾病的关键作用的基本生物实体。本文介绍了一种蛋白质的多尺度图的构造方法--HoloProt--将表面连接到结构和序列。表面捕捉蛋白质的粗糙细节,而序列作为主要成分和结构-包括二级和三级成分-捕捉更精细的细节。然后,我们的图形编码器通过允许每一级将下一级的编码与该级的图形集成来学习多尺度表示。我们在不同的任务上测试学习的表示,(i.)配体结合亲和力(回归),和(ii.)蛋白质功能预测(分类)。在回归任务中,与以前的方法相反,我们的模型在不同的数据集分割中表现一致且可靠,在大多数分割中优于所有基线。在分类任务中,它实现了接近最佳性能模型的性能,同时使用的参数减少了10倍。为了提高我们构建的存储效率,我们将多重蛋白质表面流形分割成分子超像素,并用这些超像素替换表面,几乎没有性能损失。
2022-04-04 cs.AI cs.LG q-bio.BM
Classification of signaling proteins based on molecular star graph descriptors using Machine Learning models
University of A Coruna(拉科鲁尼亚大学);University of Bristol(布里斯托尔大学);Maastricht University(马斯特里赫特大学)
信号蛋白是药物开发中的一个重要课题,因为寻找快速,准确和廉价的方法来评估特定疾病中涉及的新分子靶点越来越重要。蛋白质结构的复杂性阻碍了信号活性与分子结构的直接关联。因此,所提出的解决方案涉及使用蛋白质星图将肽序列信息编码成用S2 SNet工具计算的特定拓扑指数。利用机器学习技术建立的定量构效关系分类模型能够预测新的信号肽。最佳分类模型是第一信令预测模型,其基于11个描述符,并且其使用具有拉普拉斯核(RFE-RFE)和0.961的AUROC的支持向量机-递归特征消除(SVM-RFE)技术获得。测试来自PDB数据库的一组3114个未知功能的蛋白质,评估模型的预测性能。提供了三种UniprotID(34个PDB)的重要信号通路,信号预测大于98.0%。
2019-04-10 cs.LG q-bio.QM stat.ML
ProDOMA: improve PROtein DOMAin classification for third-generation sequencing reads using deep learning
Michigan State University(密歇根州立大学);City University of Hong Kong(香港城市大学)
动机:随着第三代测序技术的发展,人们可以获得几十到几百kb的DNA序列。这些长读段允许蛋白质结构域注释而无需组装,因此可以对基础数据的生物学功能产生重要的见解。然而,第三代测序数据中的高错误率对已建立的域分析管道提出了新的挑战。现有技术的方法没有针对噪声读数进行优化,并且在第三代测序数据中显示出不令人满意的结构域分类准确性。仍然需要新的计算方法来提高在长噪声读取中的域预测的性能。结果:在这项工作中,我们引入了ProDOMA,这是一种深度学习模型,可以对第三代测序读数进行域分类。它使用具有3帧翻译编码的深度神经网络从部分正确的翻译中学习保守特征。此外,我们将我们的问题表述为开集问题,因此我们的模型可以拒绝不相关的DNA读取,例如来自非编码区的DNA读取。在对蛋白质编码序列的模拟读段和来自人类基因组的真实读段的实验中,我们的模型在蛋白质结构域分类上优于HMMER和DeepFam。总之,ProDOMA是一种有用的端到端蛋白质结构域分析工具,用于长噪声读取,而不依赖于纠错。可用性:源代码和训练模型可以在https://github.com/strideradu/ProDOMA上免费获得。联系方式:yannisun@cityu.edu.hk
2020-09-26 cs.LG q-bio.GN
SBSM-Pro: Support Bio-sequence Machine for Proteins
Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China(电子科技大学基础与前沿研究院);Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China(电子科技大学长三角研究院(衢州))
本文提出SBSM-Pro模型,通过氨基酸理化性质分组、序列比对、MKL信息整合与支持向量机,在十个数据集上完成蛋白质功能和翻译后修饰分类。
2023-11-04 cs.LG q-bio.QM
XAI-Driven Deep Learning for Protein Sequence Functional Group Classification
Manipal Institute of Technology, Manipal, India(Manipal理工学院,印度Manipal)
针对蛋白质序列功能基团分类问题,提出基于深度学习的框架,实现四种模型并采用k-mer编码训练,CNN获91.8%最高验证准确率,结合XAI技术识别出生物学相关基序,弥合预测准确性与生物学可解释性的差距。
2025-11-16 cs.AI cs.LG q-bio.QM
Classification of Influenza Hemagglutinin Protein Sequences using Convolutional Neural Networks
Computation-based Science and Technology Research Center, The Cyprus Institute(塞浦路斯研究所计算科学与技术研究中心);Faculty of Computing, Engineering and the Built Environment, Birmingham City University(伯明翰城市大学计算、工程与建筑环境学院)
流感病毒可以被认为是最严重的病毒之一,可以感染多个物种,对宿主造成致命的后果。该病毒的血凝素(HA)基因可以作为抗病毒药物开发的靶点,通过准确鉴定其亚型和可能的靶向宿主来实现。本文主要研究仅利用HA基因的蛋白质序列,准确预测A型流感病毒是否能感染特定的宿主,更具体地说,人、禽和猪宿主。更详细地说,我们建议使用疏水指数将蛋白质序列编码成数字信号,随后利用基于卷积神经网络的预测模型。用于拟定工作的流感HA蛋白质序列获自流感研究数据库(IRD)。具体而言,完整和独特的HA蛋白质序列用于禽类、人类和猪宿主。本工作获得的数据是17999个人宿主蛋白,17667个禽宿主蛋白和9278个猪宿主蛋白。鉴于这组收集的蛋白质,所提出的方法产生高达10%的准确性高出一个单独的类(即,禽)和5%的整体准确性比在早期的研究。还观察到,在这项工作中,每个类的准确性比以前的研究中提出的更平衡。实验结果表明,该模型能够很好地区分人、禽、猪三种宿主的HA蛋白质序列。
2021-08-09 cs.LG q-bio.QM
Deep Learning Methods for Protein Family Classification on PDB Sequencing Data
Brown University(布朗大学)
蛋白质由影响其折叠方式并因此决定其功能和特征的氨基酸链组成,是一类在主要生物过程中发挥核心作用的大分子,并且是身体组织的结构、功能和调节所必需的。了解蛋白质功能对于治疗学和精准医学的发展至关重要,因此基于可测量特征对蛋白质及其功能进行分类的能力至关重要;实际上,从蛋白质的氨基酸序列(称为其一级结构)自动推断蛋白质的性质,仍然是生物信息学领域内的一个重要的未决问题,特别是考虑到测序技术的最新进展和大量已知但未分类的具有未知性质的蛋白质。在这项工作中,我们展示并比较了几种深度学习框架的性能,包括新型双向LSTM和卷积模型,以及来自结构生物信息学研究合作实验室(RCSB)蛋白质数据库(PDB)的广泛可用的测序数据,并将这种性能与经典的机器学习方法进行基准测试,包括k-最近邻和多项式回归分类器,用实验数据训练我们的研究结果表明,我们的深度学习模型提供了优于经典机器学习方法的性能,卷积架构提供了最令人印象深刻的推理性能。
2022-07-14 cs.LG q-bio.GN q-bio.QM
ProtVec: A Continuous Distributed Representation of Biological Sequences
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
提出了一种新的生物序列表示和特征提取方法。命名为bio-vectors(BioVec)是指生物序列,蛋白质(氨基酸序列)是蛋白质载体(ProtVec),基因序列是基因载体(GeneVec),这种表示法可以广泛用于蛋白质组学和基因组学中的深度学习应用。在本文中,我们专注于蛋白质载体,可用于广泛的生物信息学研究,如家庭分类,蛋白质可视化,结构预测,无序蛋白质鉴定,和蛋白质相互作用预测。在该方法中,我们采用人工神经网络的方法,并表示一个蛋白质序列与一个单一的密集的n维向量。为了评估该方法,我们将其应用于从Swiss-Prot获得的属于7,027个蛋白质家族的324,018个蛋白质序列的分类,其中获得了93% ± 0.06%的平均家族分类准确率,优于现有的家族分类方法。此外,我们使用ProtVec表示从结构蛋白质预测无序蛋白质。使用两个无序序列数据库:DisProt数据库以及具有富含苯丙氨酸-甘氨酸重复序列(FG-NUPS)的核孔蛋白的无序区域的数据库。使用支持向量机分类器,FG-Nup序列与蛋白质数据库(PDB)中发现的结构化蛋白质序列区分的准确率为99.8%,非结构化DisProt序列与结构化DisProt序列区分的准确率为100.0%。这些结果表明,通过仅将各种蛋白质的序列数据提供到该模型中,可以确定关于蛋白质结构的准确信息。
2016-05-26 cs.AI cs.LG q-bio.GN
DockGame: Cooperative Games for Multimeric Rigid Protein Docking
ETH Zürich(苏黎世联邦理工学院);IBM Research Zürich(IBM苏黎世研究院)
本文提出DockGame,一个基于合作博弈的框架,用于多聚体蛋白质对接,通过学习代理势或扩散模型计算均衡,在DB5.5上实现快速且性能与二元基线相当。
2023-10-09 cs.LG
TUNet: Incorporating segmentation maps to improve classification
New York University(纽约大学);Department of Computer Science(计算机科学系)
确定特定蛋白质在人类细胞中的定位对于理解细胞功能和潜在疾病的生物学过程是重要的。在成像技术中,高通量荧光显微镜成像是一种有效的生物技术来染色细胞中的感兴趣的蛋白质。在这项工作中,我们提出了一种新的分类模型双U-网络(TUNEL)的处理和分类的蛋白质的阿特拉斯图像的归属。几个著名的深度学习模型,包括GoogleNet和Resnet,已经被用于比较。结果表明,该系统具有较好的性能.
2019-01-27 cs.CV cs.LG stat.ML
Uncovering protein interaction in abstracts and text using a novel linear model and word proximity networks
School of Informatics, Indiana University(印第安纳大学信息学院);FLAD (Fundação Luso-Americana para o Desenvolvimento) Computational Biology Collaboratorium, Instituto Gulbenkian de Ciência(古尔本基安科学研究所FLAD(卢美发展基金会)计算生物学合作中心);Universidad Nacional del Sur(南方国立大学);Center for Genomics and Bioinformatics, Indiana University(印第安纳大学基因组与生物信息学中心);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);School of Medicine, Indiana University(印第安纳大学医学院)
我们参加了第二届BioCreative挑战赛的三个蛋白质-蛋白质相互作用子任务:与蛋白质-蛋白质相互作用相关的摘要分类(IAS),蛋白质对的发现(IPS)和全文文档中表征蛋白质相互作用的文本段落(ISS)。我们采用了一种新的、轻量级的线性模型来处理抽象分类任务,该模型的灵感来自垃圾邮件检测技术,以及一种基于不确定性的集成方案。我们还使用了支持向量机和奇异值分解相同的功能进行比较。我们的方法,全文子任务(蛋白质对和通道识别)包括一个基于词邻近网络的特征扩展方法。就挑战评估中使用的性能指标(准确性、F分数和AUC)而言,我们对抽象分类任务(IAS)的方法是该任务的最佳提交方法之一。我们还报告了我们使用我们的方法制作的网络工具:蛋白质相互作用抽象相关性评估器(PIARE)。我们对全文任务的方法导致了最高的召回率以及正确段落的平均倒数排名。我们的抽象分类方法表明,一个简单的线性模型,使用相对较少的功能,是能够概括和揭示的概念性质的蛋白质-蛋白质相互作用的书目。由于新的方法是基于一个非常轻量级的线性模型,它可以很容易地移植和应用到类似的问题。在全文问题中,扩展字的功能与字邻近网络被证明是有用的,虽然需要一些改进进行了讨论。
2008-12-04 cs.IR cs.LG
Clustering for Protein Representation Learning
Zhejiang University(浙江大学)
本文提出一种神经聚类框架,结合蛋白质一级与三级结构信息自动发现关键氨基酸组分,通过迭代聚类构建层次化表示,并在四个蛋白质相关任务上取得最先进性能。
2024-03-30 cs.CE cs.LG q-bio.BM
A Vectorization Method Induced By Maximal Margin Classification For Persistent Diagrams
College of Mathematics;Computer Science Zhejiang A \& F University Hangzhou, China;School of Mathematics;Statistics Beijing Institute of Technology Beijing, China;School of Electronics;Information Hangzhou Dianzi University Hangzhou, China;Institute of Automation Chinese Academy of Sciences Beijing, China;School of Computer Science \& Technology Beijing Institute of Technology Beijing, China
本文针对持续图向量化方法过于人工化的问题,提出一种基于 Banach 空间最大间隔分类的几何向量化方法,并构建蛋白质功能识别框架,实验表明其在鲁棒性和精度上优于现有最优统计方法。
2024-07-31 cs.AI cs.LG q-bio.BM
A Fusion-Driven Approach of Attention-Based CNN-BiLSTM for Protein Family Classification -- ProFamNet
School of Computer Science and IT, Institute of Management Sciences(管理科学学院计算机科学与信息技术学院);National University of Computer and Emerging Sciences(国家计算机与新兴科学大学);Ghulam Ishaq Institute of Emerging Sciences(古拉姆·伊沙克新兴科学学院)
本文提出ProFamNet,融合1D-CNN、BiLSTM与注意力机制进行蛋白质家族分类,以更少参数和更小模型尺寸在更大数据集上取得更高F1分数,超越现有最先进模型。
2024-10-21 cs.LG q-bio.QM
MT-ProtBERT: Multi-task Learning ProtBERT for Intrinsically Disordered Proteins Classification with Scarce Data
University of Denver(丹佛大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
针对固有无序蛋白质数据稀缺导致分类困难的问题,提出多任务ProtBERT(MT-ProtBERT),集成动态窗口掩码、多尺度卷积和辅助任务,在磷酸化位点预测和蛋白质压缩预测上优于PARROT。
2026-09-23 cs.CV cs.LG
Protein Crystallization Segmentation and Classification Using Subordinate Color Channel in Fluorescence Microscopy Images
XpressGenes, Inc(XpressGenes公司);The University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校)
该研究针对荧光显微镜的蛋白质结晶图像,提出利用次色通道的分割方法,可降低误分类率、提升精度,且在两种蛋白质的湿实验中泛化性良好。
2026-10-14 cs.AI cs.CV cs.LG
Mathematical Insights into Protein Architecture: Persistent Homology and Machine Learning Applied to the Flagellar Motor
Department of Mathematics, Faculty of Sciences, Ibn Tofail University(数学系,科学学院,伊本·图法易大学);Department of Mathematics, Faculty of Sciences and Techniques, Abdelmalek Essaâdi University(数学系,科学与技术学院,阿卜杜勒马利克·艾萨迪大学);Department of Computer and Information Science, Fordham University(计算机与信息科学系,福尔敦大学)
利用持续同调与机器学习,研究鞭毛马达的两种功能状态分类,通过拓扑数据分析揭示蛋白质功能相关模式。
2025-12-17 cs.LG math.AT q-bio.BM
Protein sequence classification using natural language processing techniques
University of Sussex(萨塞克斯大学)
本研究利用NLP技术进行蛋白质序列分类,比较多种机器学习与深度学习模型,发现投票分类器与ProtBERT性能最佳,并强调基于ECOD家族的划分对评估泛化能力至关重要。
2025-05-22 cs.LG q-bio.QM
BERTology Meets Biology: Interpreting Attention in Protein Language Models
Salesforce Research(Salesforce研究院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
Transformer架构已被证明可以学习用于蛋白质分类和生成任务的有用表示。然而,这些表示在可解释性方面提出了挑战。在这项工作中,我们展示了一套方法来分析蛋白质Transformer模型,通过镜头的注意。我们表示关注:(1)捕获蛋白质的折叠结构,连接在基础序列中相距较远但在三维结构中空间上接近的氨基酸,(2)靶向结合位点,蛋白质的关键功能组分,以及(3)随着层深度的增加,关注逐渐更复杂的生物物理特性。我们发现这种行为在三种Transformer架构(BERT,AL BERT,XLNet)和两种不同的蛋白质数据集上是一致的。我们还提出了一个三维可视化的注意力和蛋白质结构之间的相互作用。可视化和分析代码可在https://github.com/salesforce/provis上获得。
2021-03-28 cs.CL cs.LG q-bio.BM
DANCE: Deep Learning-Assisted Analysis of Protein Sequences Using Chaos Enhanced Kaleidoscopic Images
Georgia State University(佐治亚州立大学);Columbia University(哥伦比亚大学);Lahore University of Management Sciences(拉合尔管理科学大学)
针对TCR序列较短、难以高效表示的问题,本文提出DANCE,利用CGR万花筒图像编码蛋白质序列,并用深度视觉模型按靶标癌细胞分类TCR。
2025-06-11 cs.LG q-bio.QM
When do cheap embeddings beat protein language models? A theoretically-grounded hashing sketch for biological sequence classification
Columbia University, NY, USA(哥伦比亚大学);IBA, Karachi, Pakistan(巴基斯坦卡拉奇的IBA)
Murmur2Vec通过哈希技术高效生成COVID-19刺突序列嵌入,提升大规模病毒序列分析的效率和准确性。
2026-09-11 cs.LG q-bio.GN
Hoechst Is All You Need: Lymphocyte Classification with Deep Learning
University of St Andrews(圣安德鲁斯大学)
多重免疫荧光和免疫组织化学通过允许癌症病理学家识别细胞表面表达的几种蛋白质,使细胞分类,更好地了解肿瘤微环境,更准确的诊断,诊断和基于个体患者的免疫状态定制免疫治疗,从而使患者受益。然而,它们是昂贵且耗时的过程,需要专业技术人员进行复杂的染色和成像技术。Hoechst染色更便宜且更容易进行,但通常不用于这种情况,因为它结合DNA而不是免疫荧光技术靶向的蛋白质,并且以前认为不可能仅基于DNA形态区分表达这些蛋白质的细胞。在这项工作中,我们展示了另一种情况,训练一个深度卷积神经网络来识别表达三种蛋白质(T淋巴细胞标志物CD 3和CD 8,以及B淋巴细胞标志物CD 20)的细胞,精确度和召回率超过90%,仅来自Hoechst 33342染色的组织。我们的模型学习了与这些蛋白质表达相关的先前未知的形态学特征,这些特征可用于准确区分淋巴细胞亚型,用于关键的预后指标,如评估免疫细胞浸润,从而预测和改善患者的预后,而无需昂贵的多重免疫荧光。
2021-07-16 cs.AI cs.CV cs.LG
Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs
Harvard University(哈佛大学);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院)
本文提出一种基于子图的3D蛋白质结构几何自监督预训练方法,通过预测子图局部几何质心与蛋白质全局几何质心之间的距离来预训练3D图神经网络,在多种蛋白质分类任务中使3D GNN性能最高提升6%,无需多视图、数据增强或掩码策略。
2024-10-19 cs.LG q-bio.BM q-bio.QM
A Linear Classifier Based on Entity Recognition Tools and a Statistical Approach to Method Extraction in the Protein-Protein Interaction Literature
Institute for Biotechnology and Bioengineering(生物技术与生物工程研究所);University of Minho(米尼奥大学);School of Informatics and Computing, Indiana University(印第安纳大学信息学与计算学院);FLAD Computational Biology Collaboratorium(FLAD计算生物学合作中心);Instituto Gulbenkian de Ciência(古尔本基安科学研究所);Microsoft Corp.(微软公司);University of Delaware(特拉华大学);Center for Bioinformatics and Computational Biology, Delaware Biotechnology Institute, University of Delaware(特拉华大学生物技术研究所生物信息学与计算生物学中心)
我们参与了BioCreative III挑战赛蛋白质相互作用任务的文章分类和相互作用方法子任务(分别为ACT和IMT)。对于ACT,我们对可用的命名实体识别和字典工具进行了广泛的测试,并使用最有前途的工具来扩展我们的可变三角阈值线性分类器。对于IMT,我们尝试了主要的统计方法,而不是采用更深层次的自然语言处理策略。最后,我们还研究了将我们用于IMT的方法提取方法集成到ACT管道中的好处。对于ACT,我们的线性文章分类器导致排名和分类性能显着高于所有报告的提交。对于IMT,我们的结果与其他系统的结果相当,这些系统采用了非常不同的方法。对于ACT,我们表明,命名实体识别工具的使用导致了显着改善的排名和分类的文章相关的蛋白质相互作用。因此,我们表明,我们大大扩展的线性分类器是一个非常有竞争力的分类在这个领域。此外,该分类器产生可解释的表面,这些表面可以被理解为人类理解分类的“规则”。在IMT任务方面,与其他参与者相比,我们的方法侧重于识别可能为PPI检测方法的应用提供证据的句子,而不是将文档分类为与方法相关。由于BioCreative III没有对系统提供的证据进行评价,我们进行了单独的评估;评价人员认为我们的工具确实有效地检测了PPI检测方法的相关证据。
2011-04-22 cs.CL cs.IR cs.LG
T Cell Receptor Protein Sequences and Sparse Coding: A Novel Approach to Cancer Classification
Georgia State University(佐治亚州立大学)
本研究提出利用稀疏编码对TCR蛋白序列进行多类癌症分类,通过k-mer计算和领域知识整合,在基准数据集上达到99.8%的准确率,显著优于基线方法。
2023-09-05 cs.LG q-bio.QM
LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification
University of Idaho(爱达荷大学);Jouf University(焦夫大学);University of KwaZulu-Natal(夸祖鲁-纳塔尔大学)
本文提出LASSO-MOGAT框架,结合LIMMA、LASSO特征选择与图注意力网络整合mRNA、microRNA和DNA甲基化数据,利用PPI网络对31种癌症类型进行分类,并通过五折交叉验证证明了其精确性和可靠性。
2024-08-30 cs.LG
Limitations of Sequence-Based Protein Representations for Parkinson's Disease Classification: A Leakage-Free Benchmark
Higher School of Mechanical and Electrical Engineering, Instituto Politécnico Nacional(机械与电气工程高等专科学校,墨西哥国立理工学院);Research Center for Computing, Instituto Politécnico Nacional(计算研究中心,墨西哥国立理工学院)
本文研究了序列基蛋白质表示在帕金森病分类中的局限性,通过无泄漏的基准测试评估了多种基于蛋白质初级序列的表示方法,发现单一序列信息对疾病分类的判别能力有限,需引入更丰富的生物学特征。
2026-05-18 cs.AI cs.LG q-bio.QM
Feature extraction in protein sequences classification : a new stability measure
特征提取是一项不可回避的任务,尤其是在生物序列预处理这一关键步骤中。该步骤包括例如将生物序列转化为基序的载体,其中每个基序是可以被视为表征序列的性质(或属性)的子序列。因此,我们得到一个对象属性表,其中对象是序列和属性是从序列中提取的图案。此输出可用于应用标准机器学习工具来执行数据采掘任务,例如分类。一些先前的工作已经描述了生物序列分类的特征提取方法,但是没有一个讨论这些方法在扰动输入数据时的鲁棒性。在这项工作中,我们引入了稳定性的概念所产生的图案,以研究图案提取方法的鲁棒性。我们表示这种鲁棒性的方法,以揭示发生在输入数据的任何变化的能力,以及它的目标感兴趣的图案的能力。我们使用这些标准来评估和实验比较四个现有的生物序列提取方法。
2012-12-05 cs.CE cs.LG q-bio.QM
Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers
École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);Université Paris Cité(巴黎城市大学);University of Cyprus(塞浦路斯大学)
本文提出Prot2Text,结合GNNs和LLMs在编码器-解码器框架中整合蛋白质序列、结构和文本信息,以自由文本形式生成功能描述,超越传统分类方法。
2024-04-20 cs.CL cs.LG q-bio.QM
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
Protein Representation Learning by Geometric Structure Pretraining
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);University of Cambridge(剑桥大学);IBM Research(IBM研究院);HEC Montréal(蒙特利尔高等商学院)
学习有效的蛋白质表示在生物学中的各种任务中至关重要,例如预测蛋白质功能或结构。现有的方法通常在大量未标记的氨基酸序列上预训练蛋白质语言模型,然后在下游任务中使用一些标记的数据对模型进行微调。尽管基于序列的方法是有效的,但对已知蛋白质结构的预训练的能力(仅在较小数量中可用)尚未被探索用于蛋白质性质预测,尽管蛋白质结构已知是蛋白质功能的决定因素。在本文中,我们提出了预训练蛋白质表示,根据其3D结构。我们首先提出了一个简单而有效的编码器来学习蛋白质的几何特征。我们通过利用多视图对比学习和不同的自我预测任务来预训练蛋白质图编码器。函数预测和折叠分类任务的实验结果表明,我们提出的预训练方法优于或与最先进的基于序列的方法相当,同时使用更少的预训练数据。我们的实现可以在https://github.com/DeepGraphLearning/GearNet上获得。
2023-01-28 cs.LG
PIT-GCL: Protein Interaction using Topological Graph Contrastive Learning
University of Southern California(南加州大学);The University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心)
PIT-GCL提出双塔结构感知框架,结合序列、Cα点云和持续同调特征,通过交叉注意力软对接与对比学习,在多个蛋白质结合预测基准上取得领先,并支持大规模筛选。
2026-10-27 cs.AI cs.LG
Classification in biological networks with hypergraphlet kernels
Indiana University(印第安纳大学)
生物和细胞系统通常被建模为图,其中顶点表示感兴趣的对象(基因,蛋白质,药物),边表示这些对象之间的关系(绑定,相互作用,调节)。由于支持图表分析和学习的理论、方法和软件,这种方法非常成功。然而,图形,往往遭受信息丢失建模时,由于其无法准确地表示多对象的关系物理系统。超图是图的一种概括,它提供了一个框架来减少信息丢失,并统一不同的基于图的方法。在本文中,我们提出了一个基于超图的方法来建模物理系统,并制定顶点分类,边缘分类和链接预测问题(超)图的顶点分类(扩展,双)超图在半监督设置的实例。我们介绍了一种新的核方法的顶点和边标记(着色)超图的分析和学习。该方法是基于精确和不精确(通过超图编辑距离)枚举的小简单超图,称为hypergraphlets,植根于一个顶点的利益。我们广泛评估这种方法,并显示其潜在的使用在一个积极的未标记的设置,以估计蛋白质-蛋白质相互作用网络中的缺失和假阳性链接的数量。
2017-03-14 cs.LG stat.ML
Positive and Unlabeled Learning through Negative Selection and Imbalance-aware Classification
Università degli Studi di Milano(米兰大学)
受蛋白质功能预测应用的启发,我们考虑了一个具有挑战性的监督分类设置,其中正面标签很少,没有明确的负面标签。因此,学习算法必须选择哪些未标记的示例用作负训练点,这可能导致不平衡的学习问题。我们解决这些问题,提出了一个算法,结合主动学习(选择负面的例子)与不平衡感知学习(减轻标签的不平衡)。在我们的实验中,我们观察到这两种技术协同工作,在标准蛋白质功能预测基准上优于最先进的方法。
2019-01-25 cs.LG q-bio.QM stat.ML
ProGen2: Exploring the Boundaries of Protein Language Models
Salesforce Research(赛富时研究院);Johns Hopkins University(约翰斯·霍普金斯大学);Columbia University(哥伦比亚大学)
在蛋白质序列上训练的基于注意力的模型在与人工智能驱动的蛋白质设计相关的分类和生成任务方面取得了令人难以置信的成功。然而,我们缺乏足够的理解如何非常大规模的模型和数据在有效的蛋白质模型开发中发挥作用。我们介绍了一套蛋白质语言模型,命名为ProGen2,它被扩展到6.4B参数,并在不同的序列数据集上进行训练,这些序列数据集来自基因组,宏基因组和免疫组数据库的十亿多个蛋白质。ProGen2模型在捕获观察到的进化序列的分布、生成新的可行序列以及预测蛋白质适应度方面表现出最先进的性能,而无需额外的微调。随着大模型尺寸和蛋白质序列的原始数量继续变得更广泛,我们的研究结果表明,需要越来越重视提供给蛋白质序列模型的数据分布。我们在https://github.com/salesforce/progen上发布ProGen 2模型和代码。
2022-06-27 cs.LG q-bio.QM