MSNGO：基于三维蛋白质结构和网络传播的多物种蛋白质功能注释
机器学习
2025-04-01 v1 人工智能
摘要
动机：近年来，蛋白质功能预测突破了序列特征的瓶颈，利用 AlphaFold2 预测的高精度蛋白质结构显著提高了预测准确率。虽然单物种蛋白质功能预测方法已取得显著成功，但多物种蛋白质功能预测方法仍处于使用蛋白质-蛋白质相互作用（PPI）网络和序列特征的阶段。为蛋白质注释稀疏的物种提供有效的跨物种标签传播仍然是一个具有挑战性的问题。为了解决这个问题，我们提出了 MSNGO 模型，该模型集成了结构特征和网络传播方法。我们的验证表明，使用结构特征可以显著提高多物种蛋白质功能预测的准确率。结果：我们采用图表示学习技术从蛋白质结构接触图中提取氨基酸表示，并使用图卷积池化模块训练结构模型以推导蛋白质级别的结构特征。在结合来自 ESM-2 的序列特征后，我们应用网络传播算法在异构网络中聚合信息并更新节点表示。结果表明，MSNGO 优于以往依赖序列特征和 PPI 网络的多物种蛋白质功能预测方法。可用性：https://github.com/blingbell/MSNGO。
引用
@article{arxiv.2503.23014,
title = {MSNGO: multi-species protein function annotation based on 3D protein structure and network propagation},
author = {Beibei Wang and Boyue Cui and Shiqu Chen and Xuan Wang and Yadong Wang and Junyi Li},
journal= {arXiv preprint arXiv:2503.23014},
year = {2025}
}
备注
8 pages, 2 figures