ContactNet：基于几何的深度学习模型用于预测蛋白质-蛋白质相互作用
机器学习
2024-06-27 v1 生物大分子
摘要
深度学习方法在预测蛋白质结构方面取得了显著进展。这些方法通常应用于蛋白质-蛋白质相互作用（PPI），但需要多序列比对（MSA），而MSA对于各种相互作用（例如抗体-抗原）是不可用的。计算对接方法能够采样出准确的复合物模型，但也会产生数千个无效构型。设计用于识别准确模型的评分函数是一个长期挑战。我们开发了一种新颖的基于注意力的图神经网络（GNN）ContactNet，用于将从对接算法获得的PPI模型分类为准确和不准确的。当在对接抗原和建模抗体结构上训练时，ContactNet将当前最先进评分函数的准确率提高了一倍，在43%的测试案例中在其前10名中实现了准确模型。当应用于未结合抗体时，其前10名准确率提高到65%。这一性能是在没有MSA的情况下实现的，并且该方法适用于其他类型的相互作用，例如宿主-病原体或一般的PPI。
关键词
引用
@article{arxiv.2406.18314,
title = {ContactNet: Geometric-Based Deep Learning Model for Predicting Protein-Protein Interactions},
author = {Matan Halfon and Tomer Cohen and Raanan Fattal and Dina Schneidman-Duhovny},
journal= {arXiv preprint arXiv:2406.18314},
year = {2024}
}