CN115620803A - 一种基于跨图注意力的蛋白质相互作用点位预测方法 - Google Patents
一种基于跨图注意力的蛋白质相互作用点位预测方法 Download PDFInfo
- Publication number
- CN115620803A CN115620803A CN202211359901.0A CN202211359901A CN115620803A CN 115620803 A CN115620803 A CN 115620803A CN 202211359901 A CN202211359901 A CN 202211359901A CN 115620803 A CN115620803 A CN 115620803A
- Authority
- CN
- China
- Prior art keywords
- graph
- node
- protein
- map
- attention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006916 protein interaction Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 37
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 101710192597 Protein map Proteins 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 239000003446 ligand Substances 0.000 claims description 23
- 150000001413 amino acids Chemical class 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 102000005962 receptors Human genes 0.000 description 19
- 108020003175 receptors Proteins 0.000 description 19
- 230000006870 function Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 239000003596 drug target Substances 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002424 x-ray crystallography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Peptides Or Proteins (AREA)
Abstract
本发明公开了一种基于跨图注意力的蛋白质相互作用点位预测方法,步骤如下:S1、获取蛋白质数据,对每一对蛋白质分别构建一个表示残基关系的图结构;S2、对于步骤S1中构建的图,提取残基的生信特征构建节点特征矩阵;S3、对于步骤S1中构建的图,提取残基的空间特征构建图邻接特征矩阵;S4、对步骤S3构建的蛋白质图通过图卷积神经网络进行图编码;S5、在步骤S4的基础上,对步骤S3构建的蛋白质图进行跨图信息交互;S6、对步骤S5得到的节点特征进行堆叠,构成残基对特征;S7、将步骤S6得到的残基对特征送入分类器,预测该残基对是否发生了相互作用。本发明的预测方法,具有较强的表征能力和学习能力,在蛋白质相互作用点位预测任务中获得了优异表现。
Description
技术领域
本发明属于人工智能领域和生物信息领域,具体涉及一种基于跨图注意力的蛋白质相互作用点位预测方法。
背景技术
蛋白质作为主要药物靶点,识别蛋白质相互作用点位为生物学机制提供了重要见解,且在药物设计、疾病治疗和靶点发现中具有重要应用。因此,对蛋白质相互作用点位的准确预测具有重大意义。
最早,用早期核磁共振(NMR)、X射线晶体学和高通量筛选等各种生物实验方法来发现蛋白质相互作用点位,但这些方法通常是耗时且代价昂贵的。
后来,提出了通过计算来预测结合点位的方法,主要分为两种:蛋白质对接方法和基于数据驱动的方法。前者利用蛋白质界面的空间互补性进行搜索可能的结合位点,但是会受到巨大的搜索空间及专家定义的评分函数的影响。后者基于蛋白质的生信特征,利用传统的机器学习算法,例如支持向量机(SVM),朴素贝叶斯(Naive Bayes)等进行结合点位预测。
之后,图卷积神经网络(GCN)的提出为蛋白质这种不规则空间关联特征建模提供了新的解决方案。Font等人提出了NEA利用GCN来捕获图内的空间关联特征,然后通过分类器对残基对进行分类。Pittala等人联合了GCN和注意力机制对不同的邻居分配不同的权重来聚合残基特征。
但是,上述方案都分开考虑了配体蛋白质和受体蛋白质,忽略了蛋白质间的信息传播。此外,简单的后期融合特征未能很好地表征配体蛋白和受体蛋白结构之间的相关性,不能够有效的利用蛋白质结构特征。
发明内容
本发明的目的在于提供一种基于跨图注意力的蛋白质相互作用点位预测方法,该方法允许蛋白质之间进行信息交互,并利用注意力机制挖掘蛋白质交互的细粒度信息,实现了蛋白质之间的共进化;并且首次将跨图注意力应用于蛋白质相互作用点位预测领域,从跨蛋白质结构建模的角度出发,提出了基于跨图注意力的蛋白质相互作用点位预测模型,此方法具有较强的表征能力和学习能力,在蛋白质相互作用点位预测任务中获得了优异的表现。
为实现上述目的,本发明提供了一种基于跨图注意力的蛋白质相互作用点位预测方法,步骤如下:
S1、获取蛋白质数据,对每一对蛋白质(配体蛋白与受体蛋白)分别构建一个表示残基关系的图结构;
S2、对于步骤S1中构建的图,提取残基的生信特征,构建节点特征矩阵;
S3、对于步骤S1中构建的图,提取残基的空间特征,构建图邻接特征矩阵,由此通过步骤S2和步骤S3联合构建了表征蛋白质整体结构的关系图;
S4、对步骤S3构建的蛋白质图通过图卷积神经网络进行图编码;
S5、在步骤S4的基础上,对步骤S3构建的蛋白质图进行跨图信息交互;
S6、对步骤S5得到的节点特征进行堆叠,构成残基对特征;
S7、将步骤S6得到的残基对特征送入分类器,预测该残基对是否发生了相互作用。
优选的,在步骤S2中,生信特征包括位置特异性打分矩阵、残基深度、相对可及表面积、突变指数、疏水性和半球氨基酸。
优选的,在步骤S3中,残基的空间特征包括残基之间的距离以及CCαO角度。
优选的,在步骤S4中:
由于邻居对中心节点的贡献不同,根据它们对中心节点的贡献分配不同的权重,本发明采用自注意力机制去自适应学习不同邻居节点的权重,采用图卷积如下所示:
hj=σ(W1xj+W2eij+b),
αj=softmax(hjp),
其中,j∈Ni表示邻居节点,|Ni|表示节点i的邻居节点的数目,W1,W2,W3表示可学习参数,b为偏置,p为可优化投影向量,xj、xi为每个节点的特征表示,eij为节点i与节点j之间边特征表示,σ(·)为非线性激活函数,本发明采用Relu激活函数,hj为邻居节点的特征表示,α为权重向量,Zi为更新过后的节点特征向量;将h中的每个向量投影到p以计算权重向量α,其中每个值代表h中相应向量的重要性分数;之后对hj执行加权平均,将邻居节点的信息聚合到中心节点。
为了更有效的学习节点的特征,可通过堆叠t个图卷积层聚合t跳邻居信息,从而扩大感受野。当图卷积层过多时,则会导致节点特征过平滑。因此,本发明采用t=2。
优选的,在步骤S5中:
Fl=Al,rVl,
其中,为可学习参数,Vl为值空间,Fl为多头注意力输出矩阵,为更新后的节点特征矩阵,FC为全连接层,(·||·)为拼接操作,以上操作实现了从受体图中查询相关特征融合入配体图特征中,进行相反的操作即可实现从配体图中查询相关特征融合入受体图特征中。
因此,本发明采用一种基于跨图注意力的蛋白质相互作用点位预测方法,提出了一个新的跨蛋白质建模的框架,从共进化的角度构建了配体蛋白和受体蛋白的结构相关性;基于注意力机制,挖掘蛋白质交互的细粒度信息;通过堆叠多层跨图交互模块,形成共同进化的深度架构,实现了更精确的蛋白质相互作用点位预测。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明基于跨图注意力的蛋白质相互作用点位预测方法的流程示意图;
图2是本发明构造的注意力机制的结果可视化示意图。
具体实施方式
下面结合附图和具体实施例,进一步说明本发明方案。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
如图1所示,本发明旨在提供一种基于跨图注意力的蛋白质相互作用点位预测方法。其主体框架是基于图卷积的孪生网络。通过图内卷积学习节点的特征表示后,利用多头注意力机制进行跨图信息交互,节点融合了图内同质信息和图间异质信息,最后通过全连接层预测不同蛋白质的残基/节点对是否发生了相互作用。
本发明在实现阶段包含网络训练和测试样本推理两个环节。在网络训练阶段,训练数据输入网络进行前向传播,获得残基对发生交互的概率值,利用交叉熵函数计算损失,最后通过SGD优化器更新模型参数。模型训练完成后,即可用于对测试样本的相互作用点位预测。
基于跨图注意力的蛋白质相互作用点位预测方法,其前向传播过程步骤如下:
步骤1、获取蛋白质数据,对每一对蛋白质(配体蛋白质与受体蛋白质)分别构建一个表示氨基酸关系的图结构。配体蛋白质表示Gl={Vl,Xl,El},其中Vl表示配体蛋白质图中的节点集合,节点总数为n,表示配体蛋白质图中所有的节点特征矩阵,表示配体蛋白质图中所有的节点邻接特征矩阵;同理,受体蛋白质表示为Gr={Vr,Xr,Er},其中Vr表示受体蛋白质图中的节点集合,节点总数为m,表示受体蛋白质图中所有的节点特征矩阵,表示受体蛋白质图中所有的节点邻接特征矩阵。本发明中k=20。
步骤2、获取每个蛋白质中氨基酸的生信特征,构建节点特征矩阵,包括以下特征:
位置特异性权重矩阵:是一组仅由蛋白质序列构建的特征,没有任何结构信息。它捕获蛋白质中每种类型氨基酸的相对丰度,往往这些蛋白质在感兴趣的氨基酸周围的窗口中具有相似的序列。由PSI-BLAST工具提取,共计20维。
残基深度:表示残基到蛋白质表面的最小距离。由MSMS工具提取,共计2维。
相对可及表面积:反映了暴露于潜在溶剂中的氨基酸比例。由STRIDE工具提取,共计1维。
疏水性:表明氨基酸是否倾向于水。由PSAIA工具提取,共计1维。
半球氨基酸:由感兴趣残基附近的残基组成,共计40维。
步骤3、提取氨基酸的空间特征构建图邻接特征矩阵。计算感兴趣残基与其他残基之间的平均原子距离,选取最近的20个残基作为其邻域;并计算邻域残基的平局原子距离和CCαO角作为邻接矩阵特征。
步骤4、分别对配体图和受体图进行图卷积。由于邻居对中心节点的贡献不同,根据它们对中心节点的贡献分配不同的权重。本发明采用自注意力机制去自适应学习不同邻居节点的权重,采用图卷积如下所示:
hj=σ(W1xj+W2eij+b),
αj=softmax(hjp),
其中,j∈Ni表示邻居节点,|Ni|表示节点i的邻居节点的数目,W1,W2,W3表示可学习参数,b为偏置,p为可优化投影向量,xj、xi为每个节点的特征表示,eij为节点i与节点j之间边特征表示,σ(·)为非线性激活函数,本发明采用Relu激活函数,hj为邻居节点的特征表示,α为权重向量,Zi为更新过后的节点特征向量。将h中的每个向量投影到p以计算权重向量α,其中每个值代表h中相应向量的重要性分数。之后对hj执行加权平均,将邻居节点的信息聚合到中心节点。
为了更有效的学习节点的特征,可通过堆叠t个图卷积层聚合t跳邻居信息,从而扩大感受野。当图卷积层过多时,则会导致节点特征过平滑。因此,本发明采用t=2。
Fl=Al,rVl,
其中,为可学习参数,Vl为值空间,Fl为多头注意力输出矩阵,为更新后的节点特征矩阵,FC为全连接层,(·||·)为拼接操作。以上操作实现了从受体图中查询相关特征融合入配体图特征中,进行相反的操作即可实现从配体图中查询相关特征融合入受体图特征中。
上述跨图信息融合实现了配体图和受体图节点特征之间的信息交互,通过迭代的方式,对跨图信息进行多次交互,从而得到更有效的特征。本发明中,迭代了两次。
步骤6、分别取配体图与受体的节点特征进行堆叠,构成残基对特征。
步骤7、将步骤6得到的残基对特征送入全连接层,利用分类器预测该氨基酸对是否发生了相互作用。
步骤8、通过交叉熵函数计算预测值与真实值的损失:
实施例一
本发明基于TensorFlow深度学习框架在Docking Benchmark 5数据集上进行了实验。该数据收集了230对蛋白质的三维结构数据,构成了百万数量级的残基对。在实验过程中,175对蛋白质用于训练,55对用于测试。实验结果表明,利用本发明所公开的方法对蛋白质交互点位的预测,平均MedAUC达到了93.1%。
因此,本发明采用一种基于跨图注意力的蛋白质相互作用点位预测方法,首次将跨图注意力应用于蛋白质相互作用点位预测领域,能很好地表征配体蛋白和受体蛋白结构之间的相关性,有效的利用蛋白质结构特征,挖掘蛋白质交互的细粒度信息,通过堆叠多层跨图交互模块,形成共同进化的深度架构,实现了更精确的蛋白质相互作用点位预测。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于跨图注意力的蛋白质相互作用点位预测方法,其特征在于,步骤如下:
S1、获取蛋白质数据,对每一对蛋白质分别构建表示残基关系的图结构;
S2、对步骤S1中构建的图,提取残基的生信特征,构建节点特征矩阵;
S3、对步骤S1中构建的图,提取残基的空间特征,构建图邻接特征矩阵,由此通过步骤S2和步骤S3联合构建了表征蛋白质整体结构的关系图;
S4、对步骤S3构建的蛋白质图通过图卷积神经网络进行图编码;
S5、在步骤S4的基础上,对步骤S3构建的蛋白质图进行跨图信息交互;
S6、对步骤S5得到的节点特征进行堆叠,构成残基对特征;
S7、将步骤S6得到的残基对特征送入分类器,预测该残基对是否发生相互作用。
2.根据权利要求1所述的基于跨图注意力的蛋白质相互作用点位预测方法,其特征在于:在步骤S2中,生信特征包括位置特异性打分矩阵、残基深度、相对可及表面积、突变指数、疏水性和半球氨基酸。
3.根据权利要求1所述的基于跨图注意力的蛋白质相互作用点位预测方法,其特征在于:在步骤S3中,残基的空间特征包括残基之间的距离以及CCαO角度。
4.根据权利要求1所述的基于跨图注意力的蛋白质相互作用点位预测方法,其特征在于:在步骤S4中,由于邻居对中心节点的贡献不同,根据它们对中心节点的贡献分配不同的权重,采用自注意力机制去自适应学习不同邻居节点的权重;其中,采用图卷积如下所示:
hj=σ(W1xj+W2eij+b),
αj=Softmax(hjp),
其中,j∈Ni表示邻居节点,|Ni|表示节点i的邻居节点的数目,W1,W2,W3表示可学习参数,b为偏置,p为可优化投影向量,xj、xi为每个节点的特征表示,eij为节点i与节点j之间边特征表示,σ(·)为非线性激活函数,hj为邻居节点的特征表示,α为权重向量,Zi为更新过后的节点特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359901.0A CN115620803B (zh) | 2022-11-02 | 2022-11-02 | 一种基于跨图注意力的蛋白质相互作用点位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359901.0A CN115620803B (zh) | 2022-11-02 | 2022-11-02 | 一种基于跨图注意力的蛋白质相互作用点位预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620803A true CN115620803A (zh) | 2023-01-17 |
CN115620803B CN115620803B (zh) | 2023-10-20 |
Family
ID=84877217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359901.0A Active CN115620803B (zh) | 2022-11-02 | 2022-11-02 | 一种基于跨图注意力的蛋白质相互作用点位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620803B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486900A (zh) * | 2023-04-25 | 2023-07-25 | 徐州医科大学 | 基于深度模态数据融合的药物靶标亲和度预测方法 |
CN117672353A (zh) * | 2023-12-18 | 2024-03-08 | 南京医科大学 | 蛋白质亚细胞迁移的时空蛋白质组学深度学习预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096722A (zh) * | 2021-03-17 | 2021-07-09 | 浙江工业大学 | 基于内积自注意力神经网络的蛋白质磷酸化位点预测方法 |
CN113192559A (zh) * | 2021-05-08 | 2021-07-30 | 中山大学 | 基于深层图卷积网络的蛋白质-蛋白质相互作用位点预测方法 |
CN113593633A (zh) * | 2021-08-02 | 2021-11-02 | 中国石油大学(华东) | 基于卷积神经网络的药物-蛋白相互作用预测模型 |
CN113744799A (zh) * | 2021-09-06 | 2021-12-03 | 中南大学 | 一种基于端到端学习的化合物和蛋白质相互作用与亲和力预测方法 |
US11256994B1 (en) * | 2020-12-16 | 2022-02-22 | Ro5 Inc. | System and method for prediction of protein-ligand bioactivity and pose propriety |
US11256995B1 (en) * | 2020-12-16 | 2022-02-22 | Ro5 Inc. | System and method for prediction of protein-ligand bioactivity using point-cloud machine learning |
US20220188659A1 (en) * | 2020-12-16 | 2022-06-16 | Ro5 Inc. | System and method for patient health data prediction using knowledge graph analysis |
CN115116538A (zh) * | 2022-04-07 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 一种蛋白质配体的亲和力预测方法、相关装置以及设备 |
CN115188412A (zh) * | 2022-07-27 | 2022-10-14 | 上海数因信科智能科技有限公司 | 基于Transformer和图神经网络的药物预测算法 |
-
2022
- 2022-11-02 CN CN202211359901.0A patent/CN115620803B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11256994B1 (en) * | 2020-12-16 | 2022-02-22 | Ro5 Inc. | System and method for prediction of protein-ligand bioactivity and pose propriety |
US11256995B1 (en) * | 2020-12-16 | 2022-02-22 | Ro5 Inc. | System and method for prediction of protein-ligand bioactivity using point-cloud machine learning |
US20220188659A1 (en) * | 2020-12-16 | 2022-06-16 | Ro5 Inc. | System and method for patient health data prediction using knowledge graph analysis |
CN113096722A (zh) * | 2021-03-17 | 2021-07-09 | 浙江工业大学 | 基于内积自注意力神经网络的蛋白质磷酸化位点预测方法 |
CN113192559A (zh) * | 2021-05-08 | 2021-07-30 | 中山大学 | 基于深层图卷积网络的蛋白质-蛋白质相互作用位点预测方法 |
CN113593633A (zh) * | 2021-08-02 | 2021-11-02 | 中国石油大学(华东) | 基于卷积神经网络的药物-蛋白相互作用预测模型 |
CN113744799A (zh) * | 2021-09-06 | 2021-12-03 | 中南大学 | 一种基于端到端学习的化合物和蛋白质相互作用与亲和力预测方法 |
CN115116538A (zh) * | 2022-04-07 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 一种蛋白质配体的亲和力预测方法、相关装置以及设备 |
CN115188412A (zh) * | 2022-07-27 | 2022-10-14 | 上海数因信科智能科技有限公司 | 基于Transformer和图神经网络的药物预测算法 |
Non-Patent Citations (4)
Title |
---|
BRIGHTER AGYEMANG 等: "Multi-view self-attention for interpretable drug–target interaction prediction", 《JOURNAL OF BIOMEDICAL INFORMATICS》, vol. 110, pages 1 - 11 * |
王菲露 等: "基于多窗口不同特征的蛋白质相互作用位点预测", 《安徽大学学报(自然科学版)》, vol. 34, no. 5, pages 64 - 68 * |
许敏萁: "基于图神经网络的药物-靶点相互作用预测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, vol. 2022, no. 1, pages 016 - 1773 * |
闵鑫 等: "基于多头注意力机制和残差神经网络的肽谱匹配打分算法", 《计算机应用》, vol. 40, no. 6, pages 1830 - 1836 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486900A (zh) * | 2023-04-25 | 2023-07-25 | 徐州医科大学 | 基于深度模态数据融合的药物靶标亲和度预测方法 |
CN116486900B (zh) * | 2023-04-25 | 2024-05-03 | 徐州医科大学 | 基于深度模态数据融合的药物靶标亲和度预测方法 |
CN117672353A (zh) * | 2023-12-18 | 2024-03-08 | 南京医科大学 | 蛋白质亚细胞迁移的时空蛋白质组学深度学习预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115620803B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Efficient evolutionary search of attention convolutional networks via sampled training and node inheritance | |
CN113299354B (zh) | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 | |
CN115620803B (zh) | 一种基于跨图注意力的蛋白质相互作用点位预测方法 | |
Wang et al. | Evolutionary extreme learning machine ensembles with size control | |
CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
Xiang et al. | A clustering-based surrogate-assisted multiobjective evolutionary algorithm for shelter location problem under uncertainty of road networks | |
Chen et al. | A hybrid fuzzy inference prediction strategy for dynamic multi-objective optimization | |
Liu et al. | A survey on computationally efficient neural architecture search | |
Khanteymoori et al. | A novel method for Bayesian networks structure learning based on Breeding Swarm algorithm | |
CN111210002A (zh) | 一种基于生成对抗网络模型的多层学术网络社区发现方法、系统 | |
US20120185424A1 (en) | FlexSCAPE: Data Driven Hypothesis Testing and Generation System | |
Loni et al. | Densedisp: Resource-aware disparity map estimation by compressing siamese neural architecture | |
Lou et al. | Non-revisiting stochastic search revisited: Results, perspectives, and future directions | |
Li et al. | Graph neural network architecture search for rotating machinery fault diagnosis based on reinforcement learning | |
Li et al. | Symbolic expression transformer: A computer vision approach for symbolic regression | |
Khan et al. | A multi-perspective revisit to the optimization methods of Neural Architecture Search and Hyper-parameter optimization for non-federated and federated learning environments | |
Chu et al. | Architecture entropy sampling-based evolutionary neural architecture search and its application in osteoporosis diagnosis | |
CN114723037A (zh) | 一种聚合高阶邻居节点的异构图神经网络计算方法 | |
Zhang et al. | Sampled training and node inheritance for fast evolutionary neural architecture search | |
Lu et al. | Qas-bench: rethinking quantum architecture search and a benchmark | |
Alba et al. | Comparative analysis of modern optimization tools for the p-median problem | |
Huang et al. | Neural architecture search via combinatorial multi-armed bandit | |
CN115620046A (zh) | 一种基于半监督性能预测器的多目标神经架构搜索方法 | |
Wu | Hybrid fuzzy support vector classifier machine and modified genetic algorithm for automatic car assembly fault diagnosis | |
Penghui et al. | Decn: Evolution inspired deep convolution network for black-box optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |