MP-GCAN：一种高精度的α-螺旋膜蛋白和β-桶蛋白分类器
定量方法
2025-07-22 v1
摘要
膜蛋白分类是结构生物信息学中的一项基本任务，对于理解蛋白质功能和加速药物发现至关重要。在本研究中，我们提出了MP-GCAN，一种新颖的基于图的分类模型，它利用了蛋白质的空间和序列特征。MP-GCAN结合了GCN、GAT和GIN层，从高分辨率PDB文件（包含α-碳坐标和残基类型）构建的三维蛋白质图中捕获层次化的结构表示。为了评估性能，我们整理了一个包含500个膜蛋白和500个非膜蛋白的高质量数据集，并将MP-GCAN与两个基线模型进行了比较：一个利用AlphaFold的pLDDT分数的基于结构置信度的SGD分类器，以及一个基于序列的深度学习模型DeepTMHMM。我们的实验表明，MP-GCAN显著优于基线模型，在两个类别上均达到了96%的准确率和强大的F1分数。结果强调了将预训练的GNN架构与领域特定的结构数据相结合以增强膜蛋白分类的重要性。
引用
@article{arxiv.2507.14269,
title = {MP-GCAN: a highly accurate classifier for $\alpha$-helical membrane proteins and $\beta$-barrel proteins},
author = {Kunyang Li and Hongfu Lou and Dinan Peng},
journal= {arXiv preprint arXiv:2507.14269},
year = {2025}
}
备注
8pages,4figures