DiffPPI: Conditional Denoising Diffusion Framework for Brain-Specific Protein-Protein Interaction Prediction

Pratibha Joshi

doi:10.1016/j.jocs.2026.103041

DiffPPI: Conditional Denoising Diffusion Framework for Brain-Specific Protein-Protein Interaction Prediction

2026-10-02

0

PRE

AI

DOI：10.1016/j.jocs.2026.103041

原文链接

原文求助

摘要

En 中文

蛋白质-蛋白质相互作用构成了细胞组织和信号传导的分子基础，但由于实验限制和情境依赖性变异性，脑特异性互作网络仍不完整。现有计算方法主要将蛋白质-蛋白质相互作用（PPI）预测视为确定性二元分类问题，这限制了它们在稀疏且情境依赖的生物数据中建模不确定性的能力。为弥补这一差距，我们提出了DiffPPI，一种基于条件扩散的脑特异性PPI预测框架，该框架整合了基于图的蛋白质嵌入与生成去噪技术。在本研究中，一个包含数千种蛋白质和实验支持的相互作用的精选脑PPI网络被建模为无向图。节点级表示使用预训练的GraphSAGE模型学习，捕捉局部拓扑和关系上下文。成对特征通过拼接、逐元素交互和绝对差运算符进行编码，并用于条件化具有200个扩散步骤的去噪扩散模型。所提出的DiffPPI能够从噪声观测中重建干净交互信号，实现不确定性感知预测。该框架通过准确率、F1分数和ROC-AUC与经典机器学习模型和图神经网络基线进行比较评估。所提出的DiffPPI表现出更优性能，准确率为0.8397 ± 0.0019，F1分数接近0.8291 ± 0.0031，ROC-AUC约为0.9023 ± 0.0014，在相同数据分割训练的基线上均表现更优。此外，使用Integrated Gradients的可解释性分析突出了嵌入差分特征的主导贡献。

Keyword:

Protein-Protein Interaction Prediction

Diffusion Models

Graph Neural Networks

Protein Embeddings

Integrated Gradients

Explainable Artificial Intelligence

DiffPPI: Conditional Denoising Diffusion Framework for Brain-Specific Protein-Protein Interaction Prediction

摘要

期刊

机构

引用论文