PPI论文阅读笔记-Struct2Graph: a graph attention network for structure based predictions of protein-protein

Struct2Graph: a graph attention network for structure based predictions of protein-protein interactions

BMC Bioinformatics. 2022 Sep 10

Struct2Graph：基于结构的蛋白质-蛋白质相互作用预测的图注意网络

1.引言

开发用于在分子和纳米尺度上分析蛋白质-蛋白质相互作用（PPI）的新方法可以深入了解细胞内信号通路，并将提高对蛋白质功能以及其他生物和非生物来源的纳米级结构的理解。计算工具的最新进展，特别是涉及现代深度学习算法的工具，已被证明可以补充描述和合理化 PPI 的实验方法。

现有的大多数 PPI 预测工作都使用蛋白质序列信息，因此难以解释蛋白质链的三维组织。

Struct2Graph，用于直接从折叠蛋白球的结构数据中识别 PPI。该方法能够在由相等数量的正负对组成的平衡集上以 98.89% 的准确度预测 PPI。在正负对比例为 1:10 的不平衡集上，Struct2Graph 实现了 99.42% 的五倍交叉验证平均准确率。

1.纯粹依赖基于序列的信息

2.网络级信息来进行 PPI 预测。在 PPI 网络中，每个节点代表一个蛋白质，而它们之间的边代表相互作用。

3.利用网络结构以及使用氨基酸序列的矢量化表示来获得更强的预测性能

4.用蛋白质的 3D 结构预测相互作用

与氨基酸氨基酸序列信息相比，所提出的方法从晶体学数据确定蛋白质纳米级表示中蛋白质-蛋白质复合物形成的概率。

2.方法

Struct2Graph：基于多层互图注意力网络（GAT）的新型架构。

输入是查询蛋白质-蛋白质对的粗粒度结构描述符。输出查询蛋白之间相互作用的概率。

Struct2Graph 使用两个具有权重共享的图卷积网络 （GCN） 和一个相互关注网络来提取与查询蛋白质对相关的相关几何特征。然后将这