GNN-PT：通过整合蛋白质 Transformer 增强化合物-蛋白质相互作用预测
定量方法
2020-11-30 v2
摘要
蛋白质相互作用（CPIs）的预测对于药物发现中的计算机筛选步骤至关重要。近来，许多使用深度神经网络的端到端表示学习方法已取得显著优于传统机器学习算法的性能。大量工作聚焦于利用神经注意力机制的优势，通过化合物表示或从化合物-蛋白质相互作用中提取信息来提升模型能力。然而，以往研究很少关注蛋白质序列的表示，其中残基对的长程相互作用对于刻画由蛋白质折叠产生的结构特性至关重要。我们将自注意力机制引入用于 CPI 建模的蛋白质表示模块，旨在捕捉蛋白质内部的长程相互作用信息。所提出的关于蛋白质表示的模块称为 Protein Transformer，与现有 CPI 模型整合后，相较于若干现有 CPI 模型在预测性能上显示出显著提升。
引用
@article{arxiv.2009.00805,
title = {GNN-PT: Enhanced Prediction of Compound-protein Interactions by Integrating Protein Transformer},
author = {Jingtao Wang and Xi Li and Hua Zhang},
journal= {arXiv preprint arXiv:2009.00805},
year = {2020}
}
备注
v2