发表机构
Technical University of Denmark（丹麦技术大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文利用图神经网络SchNet，基于全原子嵌入而非序列或α-碳，在DeepTMHMM数据集上训练模型，实现了跨膜蛋白拓扑预测，无需预训练权重即展现潜力。
AI 中文摘要
本文提出了一种利用最先进的图神经网络（GNN）SchNet来推断蛋白质拓扑的新方法。该模型在与开发最新DeepTMHMM模型相同的数据集上进行训练，并采用5折交叉验证。与仅使用蛋白质序列或α-碳作为特征的常规方法不同，我们以这种方式解码了我们的分类器，因此使用了所有原子级别的嵌入。在不应用任何预训练权重的情况下，最终结果表明GNN在拓扑预测方面具有巨大潜力。
英文摘要
This paper presents a novel approach to infer protein topology using the state-of-the-art graph neural network (GNN), SchNet. The model is trained on the same dataset used to develop the recent DeepTMHMM model with 5-fold cross-validation. Unlike the conventional approaches based on using only the protein sequences or the $α$-carbons as features, we have decoded our classifier in this way, so all atom-level embeddings are used. Without applying any pre-trained weight, the final results have shown great potential that GNNs can be used for topological predictions.
