TAWFN: a deep learning framework for protein function prediction

doi:10.1093/bioinformatics/btae571

TAWFN: a deep learning framework for protein function prediction

2024-09-23

0

PRE

AI

DOI：10.1093/bioinformatics/btae571

原文链接

原文求助

摘要

En 中文

摘要研究动机蛋白质在生物系统中发挥着关键作用，对其功能的精确预测对于实际应用至关重要。尽管高通量技术促使蛋白质序列数据激增，但解析蛋白质的确切功能仍需耗费大量时间和资源。目前，许多方法依赖蛋白质序列进行预测，而针对蛋白质结构的方法较少，通常单独采用卷积神经网络（CNN）或图卷积网络（GCNs）。结果为解决这些挑战，本研究从蛋白质结构出发，提出了一种将CNN和GCN整合为统一框架的方法，称为双模型自适应权重融合网络（TAWFN），用于蛋白质功能预测。首先，从蛋白质结构中提取氨基酸接触图和序列。然后，利用序列生成独热编码特征和深度语义特征。这些特征连同构建的图，被输入自适应图卷积网络（AGCN）模块和多层卷积神经网络（MCNN）模块，生成初步分类结果。最后，将初步分类结果输入自适应权重计算网络，计算自适应权重以融合两个网络的初始预测，得到最终预测结果。为评估方法的有效性，在PDBset和AFset数据集上进行了实验。对于分子功能、生物过程和细胞成分任务，TAWFN的精确召回曲线下面积（AUPR）值分别为0.718、0.385和0.488，对应的Fmax分数为0.762、0.628和0.693，Smin分数为0.326、0.483和0.454。实验结果表明，TAWFN展现出有前景的性能，优于现有方法。可用性与实现 TAWFN的源代码可在以下网址找到：https://github.com/ss0830/TAWFN。

TAWFN: a deep learning framework for protein function prediction

摘要

期刊

机构

引用论文