AtomSurf：用于蛋白质结构学习的表面表示
机器学习
2025-10-23 v4 生物大分子
摘要
尽管在评估和比较用于蛋白质数据学习的不同表示方面已取得显著进展，但基于表面的学习方法的角色仍未被充分理解。特别是，缺乏现有最佳表面学习方法与图等替代表示之间的直接且公平的基准比较。此外，少数现有的基于表面的方法要么孤立地使用表面信息，要么至多在平面图和基于图的架构之间进行全局池化。在本工作中，我们首先适配了一个最先进的表面编码器用于蛋白质学习任务，从而填补这一空白。然后，我们在Atom3D基准内将所得方法与替代方法进行直接且公平的比较，凸显了纯表面学习的局限性。最后，我们提出了一种集成方法，允许在图和表面表示之间于所有层的节点和顶点层面进行学习特征共享。我们证明，所得架构在Atom3D基准的所有任务上均达到了最先进结果，同时遵循严格的基准协议，并且更广泛地应用于结合位点识别和结合口袋分类。此外，我们使用粗化表面并优化我们的方法以提升效率，使我们的工具在训练和推理时间上可与现有技术竞争。代码可在线上找到：https://github.com/Vincentx15/atomsurf
引用
@article{arxiv.2309.16519,
title = {AtomSurf : Surface Representation for Learning on Protein Structures},
author = {Vincent Mallet and Souhaib Attaiki and Yangyang Miao and Bruno Correia and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2309.16519},
year = {2025}
}
备注
Published as a conference paper at The Thirteenth International Conference on Learning Representations (ICLR 2025). The official open-access version is available at https://openreview.net/forum?id=ARQIJXFcTH