HyboWaveNet：用于蛋白质-蛋白质相互作用预测的超bolic 图神经网络与多尺度小波变换

蛋白质-蛋白质相互作用（PPIs）是解密细胞功能、疾病通路和药物发现的基本问题。尽管已实现高准确率的现有神经网络和机器学习方法在 PPI 预测中取得了高水平，但其黑箱本质导致对预测结果缺乏因果解释，且难以捕获蛋白质之间层次几何和多尺度动态相互模式。为此，我们提出了 HyboWaveNet，一种新型深度学习框架，融合了 hyperbolic 图神经网络（HGNNs）和多尺度图小波变换，用于可靠的 PPI 预测。将蛋白质特征映射到 Lorentz 空间，通过 hyperbolic 距离度量模拟生物分子之间的层次拓扑关系，从而实现更贴合生物学先验的节点特征表示。HyboWaveNet 本质上模拟了层次和无尺度的生物学关系，而小波变换的集成则实现了跨不同分辨率下局部和全局相互特征的自适应提取。我们的框架通过图神经网络在 Lorenz 模型下生成节点特征表示，并在多个不同视图下生成正样本对进行比较学习，随后通过多尺度图小波变换进行特征提取以预测潜在的 PPIs。在公开数据集上的实验表明，HyboWaveNet 优于现有所有最先进方法。我们还通过消融实验表明，多尺度图小波变换模块提高了 HyboWaveNet 的预测性能和泛化能力。这一工作将几何深度学习与信号处理相结合，推动了 PPI 预测，为分析复杂生物系统提供了原则性方法。