返回
Aligning sequence and structure representations leveraging protein domains for function prediction
DOI:10.1016/j.eswa.2025.127246.png)
摘要
En 中文
蛋白质功能预测传统上通过序列或结构建模进行,往往忽视了多种数据源的有效融合。蛋白质结构域作为功能独立的构建模块,决定了蛋白质的生物学功能,但其在功能预测任务中的潜力尚未得到充分挖掘。为解决这一问题,我们引入了一种多模态融合神经网络,利用功能感知的结构域嵌入作为桥梁。我们通过将结构域语义与基因本体论(GO)术语和文本描述对齐来预训练这些嵌入。此外,我们还基于连续结构域区域将蛋白质划分为子视图,以进行对比学习,并由一种新颖的三元组InfoNCE损失进行监督。我们的方法在各类基准测试中优于当前最优方法,并能比竞争对手更清晰地区分携带不同功能的蛋白质。
Keyword:
Protein function prediction
Protein domain
Deep learning
Functional priors
Contrastive learning
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
引用论文
I-TASSER-MTD: a deep-learning-based platform for multi-domain protein structure and function predictionI-tasser-mtd: 基于深度学习的多域蛋白质结构和功能预测平台
NATURE PROTOCOLS
IF16
NetGO: improving large-scale protein function prediction with massive network information
NUCLEIC ACIDS RESEARCH
IF13.1
ProtTrans: Toward Understanding the Language of Life Through Self-Supervised LearningProtTrans: 通过自我监督学习来理解生活语言
LM-GVP: an extensible sequence and structure informed deep learning framework for protein property prediction
SCIENTIFIC REPORTS
IF3.9

