SGPPI文献阅读：alphaflod+GCN

最新推荐文章于 2024-10-30 20:33:17 发布
最新推荐文章于 2024-10-30 20:33:17 发布
阅读量210 收藏
点赞数
分类专栏： 文献 文章标签： 深度学习 人工智能 机器学习
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。
本文链接：https://blog.csdn.net/Luoxi_8/article/details/129739467
版权
该文章采用AlphaFold获取蛋白质残基的三维信息，通过计算残基间的欧氏距离构建邻接矩阵，结合Pssm、Dssp和CV等特征，输入图卷积网络进行处理，最终用MLP预测蛋白质相互作用。
摘要由CSDN通过智能技术生成

这个就是文章的一个整体的框架模型，总体上看还是比较简单的，比较有意思的是这篇文章的结构跟之前阅读的一篇关于PPI位点预测是比较相似的，新颖的地方在于它利用alphaflod得到蛋白质残基的三维坐标，并且计算两个残疾之间的欧氏距离，设置阈值，得到一个0，1矩阵作为图卷积网络的邻接矩阵，然后根据JET2得到Pssm,Dssp,CV等蛋白质残基的相关特征矩阵进行拼接，作为图卷积网络的特征输入，最后使用MLP对PPI进行的一个预测 

Luoxi_8
关注
专栏目录
实战17：GCN+LSTM图卷积神经网络预警预测 完整代码数据集
06-16 785
实战17：GCN+LSTM图卷积神经网络预警预测 完整代码数据集
阅读：IA-GCN: Interactive Graph Convolutional Network forRecommendation
qq_43532928的博客
06-24 1137
摘要：近年来，图卷积网络(GCN)已成为一种新型的基于协同过滤(CF)的推荐系统(RS)的新技术。通过在用户-项目二部图上进行嵌入传播来学习信息丰富的用户和项目表示方式，然后根据这些表示方式为用户提供个性化的项目建议。尽管现有算法有效，但在嵌入过程中忽略了用户-项目对之间宝贵的交互特征。当预测用户对不同项目的偏好时，他们仍然以相同的方式聚合用户树，而不强调用户社区中的目标相关信息。这种统一的聚合方案很容易导致用户和项目表示的次优，在一定程度上限制了模型的表达性。在这项工作中，我们通过在每个用户-项对之间建立
图神经网络GNN GCN AlphaFold2 虚拟药物筛选和新药设计
C语言/数据结构/数学建模/深度学习/生物信息
05-23 2726
来自Manolis Kellis教授的课《人工智能与机器学习》，中间结合李沐老师的两个精读视频（GNN和AlphaFold2）作为补充。本节课主要介绍了几何深度学习、图神经网络 主要内容有图神经网络、GNN、GCN、对称性、等变性、信息传递、蛋白质空间结构预测（AlphaFold2）、药物设计（虚拟药物筛选和新药设计）。
韩国版AlphaFold？深度学习模型AlphaPPIMd：用于蛋白质-蛋白质复合物构象集合探索
HyperAI超神经
06-13 771
预测模块迭代生成下一帧的基态，Modeller 可根据扩展的基态编码轨迹重构蛋白质-蛋白质复合物的构象模型。AlphaPPImd 解码器模块中的多头自注意层学习了特定残基对之间的相互作用，可以将注意力函数视为查询 (Q) 与键值对 (K-V) 输出之间的映射。AlphaPPImd 采用蛋白质复合物残基嵌入作为 Q，将全局蛋白质复合物特征用作 K 和 V，并通过使用 Q 和 K 计算注意力权重。其计算公式如下：
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 1202
论文学习
论文解读《structure-aware prediction of protein–proteininteractions in rigorous conditions with graphco》
YWC07334515的博客
07-06 437
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
一文看懂SGPIO协议
热门推荐
weixin_40987341的博客
09-27 1万+
串行通用输入输出（SGPIO）是一种串行通用IO信号的方法。通常用于发起方（如主机总线适配器）和目标方（如背板）之间的通信。
论文阅读：CNN+GCN
sigmoidAndReLU的博客
03-07 4072
论文名称：卷积神经网络加上图卷积神经网络的边界回归方法用于医学图像分割。 期刊名称：ISSV 2019 作者：Yanda Meng Meng Wei. 作者单位：利物浦大学以及中科院宁波工业技术研究院。 摘要： 解剖结构的精准分割是医学图像分析的重要步骤，而边界回归的方法收到了研究者们的青睐。这种方法是从一个起点出发来进行分割任务，而不是对密集的像素点进行分类。然而，由于CNN的固有特性，使用卷积核拥有的局部感受野，缺乏空间信息，这些方法都需要额外的处理步骤来保存空间特征。这也会造成计算代价的增加以及特殊结
论文阅读： BI-GCN
sigmoidAndReLU的博客
12-21 1466
paper name：BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for Biomedical Image Segmentatation 论文名称：边界感知输入独立的图卷积网络 论文地址: arxiv:2110.14775 代码：未公布 摘要： 分割是图像处理中的重要步骤，而卷积操作是受限于局部感受野的，所以全局信息的提取模型对于分割任务而言意义重大。所以本文就应用图卷积来解决这一问题，并且提出了一个Laplacian方法
ResNet+LSTM+GCN 城市轨道交通短期客流预测
12-18
面向城市轨道交通短期客流预测的深度学习架构代码（ResNet+LSTM+GCN ） 代码框架：Keras+Tensorflow 主要实现内容： 提出了一种深度学习架构，结合残差网络（ResNet）、图卷积网络（GCN）和长短期记忆（LSTM）（称为...
人工智能-项目实践-智慧交通-比较 TCN、GRU、GCN、TGCN、 TCN+GCN 在 交通流量预测方面的准确率效果
12-26
人工智能-项目实践-智慧交通-比较 TCN、GRU、GCN、TGCN、 TCN+GCN 在 交通流量预测方面的准确率效 环境要求 numpy matplotlib pandas torch pytorch-lightning>=1.3.0 torchmetrics>=0.3.0 python-dotenv
基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip
04-11
基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python源码+手势数据集.zip基于DGL+Mediapipe+GCN实现特殊手势识别及追踪算法python...
Python 使用 LSTM 进行情感分析：处理文本序列数据的指南
chusheng1840的博客
10-29 1342
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），其结构设计使其能够“记住”较长的序列信息。传统 RNN 在处理长序列数据时容易出现“梯度消失”或“梯度爆炸”的问题，而 LSTM 引入了“遗忘门”、“输入门”和“输出门”结构，使其能够在较长的时间跨度内保持记忆。情感分析是一种自然语言处理（NLP）技术，用于分析文本中表达的情绪。通过情感分析，我们可以将一段文本标记为正面、负面或中性等类别。
深度学习之激活函数
最新发布
weixin_43775295的博客
10-30 1072
PiexpθiTx∑k1KexpθiTxPi∑k1K​expθiT​xexpθiT​x​​ 其中，$ \theta_i $ 和 $ x $ 是列向量，$ \theta_i^T x $ 可能被换成函数关于 $ x $ 的函数 $ f_i(x) $​ 通过 softmax 函数，可以使得 $ P(i) $ 的范围在 $ [0,1] $ 之间。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 606
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3432
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 1260
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
【征程 6 工具链性能分析与优化-1】编译器预估 perf 解读与性能分析
地平线开发者
10-30 929
这篇文章中，我们将首先介绍layerdetails中的参数信息，然后将结合实例分析如何利用layerdetails来分析模型的性能瓶颈，进而对模型的性能进行优化。
【深度学习】用LSTM写诗，生成式的方式写诗系列之一
weixin_40293999的博客
10-30 258
先训练了100轮次，后面应该还能增长，但是不等了。
智慧交通中的流量预测：TCN、GRU、GCN、TGCN、TCN+GCN对比
研究对象包括TCN（Temporal Convolutional Networks）、GRU（Gated Recurrent Unit）、GCN（Graph Convolutional Networks）、TGCN（Temporal Graph Convolutional Networks）以及TCN和GCN的混合模型TCN+GCN。...
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