论文笔记：EGAT: Edge Aggregated Graph Attention Networks and Transfer Learning

最新推荐文章于 2025-10-19 19:29:30 发布

原创

最新推荐文章于 2025-10-19 19:29:30 发布 · 5.7k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #python #生物信息学 #transfer learning #图计算

本文提出了一种名为EGAT（EdgeAggregatedGraphAttentionNetworks）的新方法，用于精确预测蛋白质相互作用位点。EGAT通过引入边聚合图注意力层，有效利用蛋白质结构信息，提高了预测准确性。方法结合了ProtBERT的预训练特征，实现了迁移学习，同时提供了可解释性。实验结果显示，EGAT在各种条件下均优于其他先进技术，并且揭示了长期相互作用对预测的影响。

论文概况

原文链接：https://www.biorxiv.org/content/10.1101/2020.11.07.372466v2.abstract
原文代码链接： https://github.com/Sazan-Mahbub/EGAT

摘要

边缘聚集图注意网络（EGAT：Edge Aggregated Graph Attention Networks）一种高精度的基于深度学习蛋白质相互作用位点的预测方法，引入了一个新的边缘聚合图注意网络来有效地利用结构信息。首次将迁移学习应用于PPI站点预测。提出的边缘聚合网络，以及迁移学习，已经取得了显著的改进比最佳替代方法。此外EGAT提供了一个比典型的黑盒深度神经网络更易于解释的框架。

1 介绍

氨基酸残基相互作用的定义：绝对溶剂可及性小于1 $Å^2$
Graph neural networks (GNN)编码结构特征：已经应用于成对结合位点的预测，但是还没有应用于单个的氨基酸残基。
Graph Attention Network (GAT)编码结构特征：采用了注意力机制，但是仅仅只考虑了节点，没有考虑边的特征，GAT缺乏利用边缘特征中可能编码的丰富结构信息的能力。
边缘聚集图注意网络（EGAT：Edge Aggregated Graph Attention Networks）：有效利用编码在边缘特征中的结构信息。在预训练的模型中成功用迁移学习，EGAT还有助于构建可解释的深度学习模型。

2 方法

2.1 特征表示

2.1.1 蛋白质的图表示

EGAT模型是一个基于图神经网络的体系结构，将数据集中每个蛋白质P的三维结构表示为有向k近邻图G。

V (G) ：表示氨基酸残基节点
$N_i$ ：表示节点i的领域，i一共有K个领域节点，如下图K=3。任何两个节点(残基)之间的距离是通过它们的平均原子之间的距离来计算的(使用PDB文件中的原子坐标。

图一、局部特征提取器 ### 2.1.2 节点特征表示

输入的序列 ${X=X_1,X_2,....X_N}$ 通过ProtBERT进行编码产生节点特征向量{ $q=q_1,q_2...q_N$ }, $q_i∈d_{protbert}$ （ $d_{protbert}$ =1024），与其他方法相比，ProtBERT在残基水平分类任务上取得了更好的性能,EGAT与ProtTrans中提供的预训练语言模型无关，这