成果介绍
本成果提出了一种基于联合训练的多标签蛋白质交互作用类型预测方法;该模型基于获得的蛋白质交互作用类别数据,对蛋白质序列进行编码,生成标称特征和序列特征;对于标称特征,结合基于交互作用生成的图结构,采用图卷积网络,对图结构的空间特征进行提取;对于序列特征,采用一维卷积操作,高效提取局部和情景信息:通过对两个模型的联合训练,更准确地预测多种蛋白质间的交互作用,有助于深入理解蛋白质的结构和功能;实验中,本模型在广泛使用的基准数据集上表现突出,与三种现有最先进方法比较,Micro-F1达到了3.81-32.40%的提高;本成果可以显著提升对蛋白质交互作用类别预测的精确度对蛋白质功能及药物开发等领域的研究的具有推动作用。
成果亮点
蛋白质交互作用对生物机理研究、医疗方案设计、靶向药开发等领域均具有重要作用。本成果基于对获得的蛋白质交互作用类别数据,对蛋白质序列进行特征提取,将提取的特征分为标称特征和序列特征两组;对标称特征,结合基于三元集合的图结构,使用图卷积网络对拓扑结构的空间信息进行提取;对于序列特征,采取一维卷积操作,高效提取局部和情景信息;采用联合训练架构,获取高精度的蛋白质类别预测模型
薯果的创新点包括以下几点:
在对蛋白质交互作用类别的预测中,结合了蛋白质序列的标称特征和有序特征,充分提取了标称特征对蛋白质理化性质的表达,而之前方法中仅使用有序特征。
采用基于联合训练架构使处理标称特征和有序特征的模型形成互补,使交互一致性最大化,提高预测精度。
晖时公出了从蛋白质交互作用类型数据库中对重复交互作用项进行归并和清除的架构,而之前广泛使用锘的基准数据库,对蛋白质交互作用类别预测这一问题,存在重复数据。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料