联合掩码重建与对比学习：用于挖掘蛋白质间相互作用的方法
机器学习
2025-03-07 v1 新兴技术
摘要
蛋白质-蛋白质相互作用 (PPI) 预测是阐明细胞操作机制的重要手段，在药物开发和临床治疗领域具有显著实际意义。目前大多数研究方法主要集中于氨基酸序列分析，基于蛋白质结构的研究仍处于初步探索阶段。尽管近年来涌现出几种基于结构的算法，但仍面临内在挑战：(1) 提取蛋白质的固有结构信息通常需要大量计算资源；(2) 这些模型过于依赖已见蛋白质数据，难以有效挖掘未知蛋白质间的相互作用线索。为推动该领域发展，本文引入新方法，将掩码重建与对比学习联合用于 PPI 预测，称为 JmcPPI。该方法将 PPI 预测任务分为两个阶段：在残基结构编码阶段，JmcPPI 设计两个特征重建任务，并采用图注意力机制捕获残基间的结构信息；在蛋白质相互作用推断阶段，JmcPPI 对原始 PPI 图进行扰动，并采用多图对比学习策略充分挖掘新蛋白质的外在相互作用信息。在三个广泛使用的 PPI 数据集上进行的大量实验表明，JmcPPI 在各种数据划分方案下均优于现有最优基线模型。相关代码可通过 https://github.com/lijfrank-open/JmcPPI 获得。
关键词
引用
@article{arxiv.2503.04650,
title = {Joint Masked Reconstruction and Contrastive Learning for Mining Interactions Between Proteins},
author = {Jiang Li and Xiaoping Wang},
journal= {arXiv preprint arXiv:2503.04650},
year = {2025}
}
备注
Submitted