学习蛋白质-蛋白质相互作用预测的交互先验：一种模型无关的方法
人工智能
2026-05-13 v2 定量方法
摘要
蛋白质-蛋白质相互作用（PPI）是细胞功能和疾病机制的基础。当前基于学习的 PPI 预测器侧重于学习强大的蛋白质表示，却忽略了设计专门的分类头。它们主要依赖诸如拼接或点积等通用聚合方法，缺乏生物学洞见。受生物学“L3 规则”（即一对蛋白质之间的多条长度为 3 的路径表明其相互作用的可能性）启发，本研究通过设计一种生物学启发的 PPI 分类器来填补这一空白。在本文中，我们提供了经验证据，表明流行的 PPI 数据集强烈支持 L3 规则。我们提出了一种名为 L3-PPI 的 L3 路径正则化图提示学习方法，该方法能够基于蛋白质表示生成带有虚拟 L3 路径的提示图，并控制路径数量。L3-PPI 将蛋白质嵌入对的分类重新表述为在生成的提示图上的图级分类任务。这个轻量级模块作为即插即用组件与 PPI 预测器无缝集成，注入互补性交互先验以增强性能。大量实验表明，L3-PPI 相比先进的竞争方法取得了卓越的性能提升。
引用
@article{arxiv.2605.09964,
title = {Learning the Interaction Prior for Protein-Protein Interaction Prediction: A Model-Agnostic Approach},
author = {Ziqi Gao and Chenyi Zi and Zijing Liu and Ziqiao Meng and Yu Li and Jia Li},
journal= {arXiv preprint arXiv:2605.09964},
year = {2026}
}
备注
Accepted at ICML 2026