论文解读：Prediction of Protein–Protein Interaction Sites Using Convolutional Neural Network

最新推荐文章于 2023-07-06 15:03:10 发布
原创 最新推荐文章于 2023-07-06 15:03:10 发布 · 1.4k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #机器学习 #生物信息学 #算法 #深度学习

本文提出了一种使用卷积神经网络预测蛋白质-蛋白质相互作用位点的方法，结合残基结合倾向以提高预测准确性。通过对氨基酸编码、序列和结构特征的分析，构建深度学习模型并在平衡正负样本的数据集上进行训练。结果显示，考虑残基结合倾向能有效降低假阳性率，提高模型性能。与随机抽样数据集和现有方法的比较进一步证实了这种方法的优势。

目录

论文简介

论文代码： https://github.com/Xiaoya-Deng/PPI-sites-prediction
论文原文：https://www.mdpi.com/1422-0067/21/2/467
补充材料： http://www.mdpi.com/1422-0067/21/2/467/s1
作者单位：重庆邮电大学
期刊影响因子：4.556（中科院二区）

摘要

提出一种卷积神经网络用于PPI站点预测，并利用残基结合倾向来改善阳性样本。该方法在改进后的数据集上AUC= 0.912。它在具有高结合倾向的样本上比在随机选择的样本上得到更好的结果。这表明在由残基原子之间的距离确定的阳性样品中有相当多的假阳性PPI位点。对于训练集正负样本不平衡的问题采用EasyEnsemble algorithm构建正负样本数量相等的训练集。
在这里插入图片描述
最终： 直接取T个基分类的结果（0,1）进行投票，而是把n个基分类器的预测概率进行相加，最后再通过sign函数来决定分类。

介绍

常用的PPI站点预测方法根据其所依据的信息可分为三类：

  1. 序列的方法
  2. 基于结构的方法
  3. 将序列方法和结构方法进行结合

1 相互作用残基对的定义

两个蛋白质的两个残基之间的欧几里德距离小于等于6 Å（埃格斯特朗，1 Å = 0.1奈米），则认为这两个残基之间有相互作用。根据这个定义，得到12138个阳性样本(相互作用的残基对)和5,522,852个阴性样本(非相互作用的残基对)，每个二聚体平均有88个阳性样本和40,006个阴性样本，采用e EasyEnsemble algorithm的方法来平衡正负样本。

1.1 残基对的结合倾向鉴定

  • 显性相互作用残基(DIRs)为真阳性样本（TP）
  • 被动相互作用残基(PIRs)为假阳性样本（FP）
    在这里插入图片描述

2. 数据集

使用基准数据集 DBD 5.0和 DBD 4.0， DBD 4.0中有116个二聚体与 DBD 5.0相同，进行以下两个操作处理：

  • 一个二聚体的两条相互作用蛋白链来自蛋白质结构分类(SCOP)定义的不同家族，序列同一性小于30%，序列统一性大于30%的去除
  • 在未绑定状态的1ZLI序列中有一些删除，因此它被排除在数据集之外

在这里插入图片描述

  • 174个二聚体用于残基的结合倾向和分布趋势的统计
  • 116个二聚体用于模型比较
  • 138个二聚体用于验证

在这里插入图片描述

  • 相互作用残基相对丰度（RAIR）：每个残基对的结合倾向
  • 残基丰度(AR)：表示DBD 4.0中174个蛋白复合物的表面残基总数中每个残基(共20个)的频率
  • 相互作用残基丰度(AIR)：表示每个残基与20个残基相互作用的频率(共400对)
    在这里插入图片描述
    在这里插入图片描述

公式参数理解：

  • N： 174个蛋白质复合物的所有表面残基的总数
  • N i N_i N
最低0.47元/天 解锁文章
论文解读：Attention-based convolutional neural networks for protein-protein interaction site prediction
wangpan007的博客
09-15 1144
文章目录论文简介1. 背景2. 数据2.1 输入的特征3. 方法4. 结果 论文简介 作者单位：郑州大学 论文状态：在bioRxiv发布了预印本 1. 背景 从蛋白质序列中准确预测蛋白质-蛋白质相互作用位点(PPIs)有助于我们对蛋白质-蛋白质相互作用的理解，有助于蛋白质-蛋白质对接，对药物设计至关重要。 2. 数据 我们使用了与最先进的方法DeepPPISP相同的蛋白质序列，包括三个基准数据集Dset_186、Dset_72和Dset_164，如下表所示： 2.1 输入的特征 3. 方法 4. 结果
笔记：PoseCNN:A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes
kadima_WEI的博客
12-23 1514
一种新的用于6D物体姿态估计的卷积神经网络PoseCNN
ctP2ISP:使用卷积和数据增强的转换器预测蛋白质-蛋白质相互作用位点
qq_41909775的博客
05-02 580
Title:ctP2ISP: Protein–Protein Interaction Sites Prediction Using Convolution and Transformer with Data Augmentation 期刊：IEEE-ACM Transactions on Computational Biology and Bioinformatics 代码和数据集：GitHub - lennylv/ctP2ISP: The source code and datasets of pa.
论文解读：《PST-PRNA：使用蛋白质表面地形和深度学习对RNA结合位点的预测》
qq_41909775的博客
07-27 991
PST-PRNA将蛋白质的分子表面投影到单位球体的表面上，并进一步将3D表面编码成类似图像的地形图。与我们以前的方法PRNA的比较表明，PST-PRNA学习蛋白质表面的潜在知识，并且较少依赖一级序列同一性。根据其所属的残基施加表面上的每个顶点。深度学习模型的输入是代表的地形，在目标区域附近具有不同的来源，如（e）所示。在本节中，我们进行了实验，以研究PST-PRNA在预测蛋白质的RNA结合残基中的性能。我们使用以前的基于序列的方法PRNA作为比较和探索序列身份分别如何影响基于结构和基于序列的模型的基线。..
数据分析作业：Protein prediction 蛋白质预测，数据分析期末作业
06-26
数据分析作业：Protein prediction 蛋白质预测，数据分析期末作业
论文解读《structure-aware prediction of protein–proteininteractions in rigorous conditions with graphco》
YWC07334515的博客
07-06 691
SGPPI：利用图卷积网络在严格条件下对蛋白质-蛋白质相互作用的结构感知预测 摘要: 虽然基于深度学习（DL）的模型已经成为预测蛋白质-蛋白质相互作用（PPIs）的强大方法，但依赖于已知相互作用蛋白质的显式相似性度量（如序列相似性和网络邻域），使得这些方法在处理新蛋白质时无效。AlphaFold2的出现为在控制单体结构的同时直接预测PPIs提供了一个重要的机遇和挑战。在这项工作中，我们建立了基于结构和图的蛋白质相互作用预测（SGPPI），一个基于结构的DL框架，用于预测PPIs，使用图卷
Arxiv | 预测新型蛋白质间相互作用的图神经网络模型
DrugOne
07-30 3813
今天带来的是商汤科技（SenseTime）研究小组发表在arxiv上的Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction。现有蛋白质-蛋白质相互作用（protein-protein interaction, PPI）预测方法在未知数据集（指的是经常出现在训练集中未看到相互作用的蛋白质的数据集）上进行测试时会出现显着的性能下降。本文从两方面新型蛋...
Identifying drug–target interactions based on graph convolutional network and deep neural network 论文
垃圾就应该待在垃圾桶里的博客
09-22 2134
Identifying drug–target interactions based on graph convolutional network and deep neural network 文章目录摘要一、引言二、方法1.Construction of the DPP network2.GCN-based feature representation3.Classification by DNN三、结果1.Datasets2.Experiment setup四、结论五、个人理解 摘要 新药-靶向相
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
wangprince2017
02-22 1292
1. 摘要 2. 数据集 DUDE数据集改进 DUDE-chemBl负样本数据集 最大无偏数据集（MUV） 3. 图构建 pocket graph molecuar graph 4. 口袋pretraining 使用autoencoder 4.1 阶段1 自编码 编码器 解码器 4.2 阶段二自编码 4.3 模型设计 实验结果 1. baseline 2. 数据可视化 3.测试模型是否有学习到口袋信息 4...
论文笔记：Protein-protein interaction site prediction through combining local and global features
wangpan007的博客
01-03 3259
文章目录一、论文基本情况二、前言三、数据（一）训练集和测试集（二）特征四、方法（一）局部特征（二）全局特征（三）文本卷积神经网络(TextCNN)五、模型的应用域（AD）（二）、全局特征的重要性（三）预测准确的情况（四）不同长度蛋白质的影响七、总结 一、论文基本情况 发表期刊：Bioinformatics（最新的IF=5.61） 作者及单位：中南大学李敏团队 服务器地址：http://bioinformatics.csu.edu.cn/PPISP/ 代码及数据地址：https://github.com/C
Structure-aware protein-protein interaction site prediction using deep graph convolutional network
redman1999的博客
10-27 471
Briefings in Bioinformatics 论文解析 现状问题：These methods are mostly based on neighbored features in sequence, and thus limitd to capture spatial information 模型：GraphPPIS PPi位点预测转化为一个图节点分类任务（graph node classification task) 关键技术：初始残差(initial residual)和身份映射技术(
SGPPI: 使用GCN在严格条件下对蛋白质相互作用的结构感知预测【Briefings in Bioinformatics, 2023】
续起大胡子
02-08 1502
论文学习
Convolutional neural network architectures for predicting DNA–protein binding
白雪
04-30 425
CNN用于基因组学研究的最大优势之一是，它可以探测某一motif（指蛋白质分子具有特定功能的或者作为一个独立结构域一部分相近的二级结构聚合体）是否在指定序列窗口内，这种探测能力非常有利于motif的鉴定，进而有助于结合位点的分类 摘要： 我们提出了使用大量转录因子数据集预测DNA序列结合的CNN体​​系结构的系统探索。我们通过更改CNN的宽度，深度和pooling设计来确定性能最佳的体系结构。我们发现，将卷积核添加到网络对于基于motif的任务很重要。通过比较难度范围内的多个建模任务的网络性能，我们展示
Protein-protein interaction site prediction through combining local and global features 文章梳理
Daisy4的博客
10-06 1448
Protein-protein interaction site prediction through combining local and global features 文章梳理 作者：中南大学李敏团队 发表期刊：Bioinformatics 时间：2019.9.4 0 写在前面的疑惑 1）如果一个氨基酸的绝对溶剂可及性<1A2，则被定义为相互作用位点，否则不是。A2 具体怎么解释，查看资料只是说的长度单位。 2）不明白文中提出的RSA分数和极性以及蛋白质序列长度等...
论文：Developing Computational Model to Predict Protein-Protein Interaction Sites Based on the XGBoost
wangpan007的博客
01-30 697
文章目录简介一、论文创新点二、介绍三、结果（一）、两种平衡模式下的预测性能（二）、不平衡和平衡数据集的比较四、讨论（一）、与其他方法比较（二）、独立基准数据集的预测性能（三）、实验结果可视化（四）、预测验证的极限 简介 发表期刊：《International Journal of Molecular Sciences》（生物二区，期刊2019年影响因子：4.556） 论文网址：https://www.mdpi.com/1422-0067/21/7/2274 论文作者学校：安徽科技大学 一、论文创新点 提出了
一种基于数据平衡和随机分组特征选择策略预测蛋白质-RNA相互作用结合位点的集成方法
weixin_45156147的博客
12-29 1130
识别蛋白质-RNA相互作用中的结合位点对于理解其潜在的识别机制和药物设计至关重要。这些实验方法有许多局限性，因为它们通常是耗时耗力的。因此，迫切需要开发一种有效有效的方法。在这里，作者提出了SREPRHot，一种预测位点的方法，定义为丙氨酸突变产生结合自由能变化2.0千卡/摩尔的残基。为了解决数据集的不平衡问题，利用合成少数过采样技术（SMOTE）生成少数样本，以实现数据集的平衡。
MIT | 一种可解释的PPI预测模型
DrugOne
02-01 4294
今天给大家介绍的是由MIT在“Biorxiv”上发表的预印本”Sequence-based prediction of protein-protein interactions: a structure-aware interpretable deep learning model ”。 蛋白质-蛋白质相互作用（PPI）网络在系统生物学中是一种促进发现和理解蛋白质功能的有价值工具。然而，实验PPI数据在大多数模式生物中仍然稀少，而且在新物种推广上不佳或是需要特定类型和大小的数据训练。因此，...
Nature Communications|评估推进基于网络的蛋白质-蛋白质相互作用预测的社区工作
weixin_45468600的博客
04-12 1089
Assessment of community efforts to advance network-based prediction of protein–protein interactions
使用端到端深度学习模型完成PPI任务两篇论文笔记
tan_1999的博客
05-30 1873
1.“Multifaceted protein–protein interaction prediction based on Siamese residual RCNN” 1.1PPI任务的难点： （1）蛋白质的表征需要一个模型来有效地过滤和聚合它们的局部特征，同时保留重要的上下文和序列的氨基酸信息 (2)扩展深度神经结构经常导致低效的学习过程，并遭受臭名昭著的消失梯度问题 (iii)还需要一个有效的机制来理解蛋白质对在PPI预测中的相互影响。此外，框架必须具有大数据的可伸缩性（我们的任务要求用在多长的数
rerankModel
最新发布
03-08
### Rerank Model in Information Retrieval or Recommendation Systems In the context of information retrieval and recommendation systems, reranking models play a crucial role by refining initial ranking results to better meet user needs. The primary goal is not only to improve relevance but also diversity and novelty of recommendations. #### Principles Behind Reranking Models Reranking typically occurs after an initial set of items has been retrieved based on some criteria such as popularity or similarity measures. A more sophisticated model then reorders these candidates considering additional factors like personalization through collaborative filtering techniques[^1]. This approach ensures that while popular choices remain visible, less obvious yet potentially highly relevant options are given prominence too. For web-scale applications where computational efficiency matters greatly, graph convolutional neural networks (GCNs) have shown promise due to their ability to capture complex relationships between entities within large graphs efficiently[^2]. #### Implementation Using Multi-View DNNs A notable implementation involves using multi-view deep neural network architectures which integrate diverse sources of data about users across different domains into unified embeddings. These enhanced representations allow for richer characterizations of individual preferences leading ultimately to improved prediction accuracy especially under conditions with sparse interaction history known commonly as 'cold start' problems[^3]. ```python import tensorflow as tf from tensorflow.keras import layers def create_multi_view_dnn(input_shapes): inputs = [] outputs = [] for shape in input_shapes: inp = layers.Input(shape=shape) outp = layers.Dense(64, activation='relu')(inp) inputs.append(inp) outputs.append(outp) concatenated = layers.Concatenate()(outputs) final_output = layers.Dense(1)(concatenated) model = tf.keras.Model(inputs=inputs, outputs=final_output) return model ``` This code snippet demonstrates how one might construct a simple version of a multi-view DNN suitable for integrating multiple feature sets corresponding to various aspects of user behavior patterns observed over time.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值