.png){kind=icon}
返回
Structure-guided sequence representation learning for generalizable protein function prediction
.png){kind=icon}
OA
AI
DOI：10.1093/bioinformatics/btaf511.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动机 从序列中准确预测蛋白质功能仍然是计算生物学中的一个基本但具有挑战性的目标。尽管最近的进展使得能够可靠地从序列中预测蛋白质的3D结构，但仅利用结构信息进行功能推断已显示出有限的成效。为解决这一差距，先前的工作通过将蛋白质表示为图（其中残基被建模为节点，空间邻近关系定义边）来探索序列和结构数据的整合。然而，由于不同蛋白质之间的氨基酸数量可能存在显著差异，基于氨基酸构建的图在大小上也差异巨大。这种巨大的变化带来了挑战，因为从如此不同规模的图中精确提取可泛化的信息变得极为困难。在本工作中，我们提出了结构引导的序列表示学习（Structure-guided Sequence Representation Learning），一种新颖的框架，该框架整合结构知识以直接从蛋白质序列中提取信息丰富、多尺度的特征。通过将结构信息嵌入序列学习范式，我们的方法能更有效地捕捉具有功能意义的表示。此外，我们提出了一种通用的模型架构，该架构针对多任务学习与推断设计，在蛋白质功能预测方面提供了优于传统任务特定方法的性能和灵活性。
结果 在本文中，我们证明所提出的蛋白质图上的新颖注意力池化方法能够有效整合不同长度蛋白质的全局结构特征和局部氨基酸化学性质。通过这种方法，我们在预测蛋白质功能、功能表达位点及其与结构和序列的关系等任务上提升了性能。通过有效提取用于同时预测多种蛋白质功能的所需信息，我们通过消除单独学习的需要提高了效率。
可用性与实现 代码实现可从 https://github.com/vanha9/S2RL_protein 获得，并且已在zenodo上存档：https://doi.org/10.5281/zenodo.16441001。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.4
论文数:
1.1K
被引数:
17.9W
机构
引用论文
TAWFN: a deep learning framework for protein function predictionMeng L., Wang X., TAWFN: 一种用于蛋白质功能预测的深度学习框架。Bioinformatics 40, btae571 (2024).
PREAI
分享收藏GOBeacon: An ensemble model for protein function prediction enhanced by contrastive learningGOBeacon: 一种通过对比学习增强的蛋白质功能预测集成模型.png)
Protein Science
OAAI
Protein ScienceIF5.2
OAAI分享收藏Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences生物结构和功能源于扩展无监督学习以2.5亿蛋白质序列OAAI
OAAI分享收藏Accurate prediction of protein structures and interactions using a three-track neural network使用三轨神经网络准确预测蛋白质结构和相互作用ScienceOAAI
ScienceIF0
OAAI分享收藏
查看更多内容