01# 行业大事件
已开源,多个国内团队使用人工智能揭示蛋白质相互作用
PhosIDN:一种集成的深度神经网络,用于通过结合序列和蛋白质-蛋白质相互作用信息来改善蛋白质磷酸化位点预测
通过多尺度卷积神经层进行迁移学习,用于人-病毒-蛋白质相互作用预测
DeepTrio:使用掩码多个并行卷积神经网络的蛋白质-蛋白质相互作用的三元预测系统
pyconsFold:一种使用距离预测进行建模和对接的快速、简单的工具
一种预测生物活性分子结合构象的几何深度学习方法,可预测配体与蛋白质靶标的结合构象
使用纳米孔以单氨基酸分辨率多次重读单个蛋白质
PhosIDN:一种集成的深度神经网络,用于通过结合序列和蛋白质-蛋白质相互作用信息来改善蛋白质磷酸化位点预测
磷酸化是研究最多的翻译后修饰之一,在各种细胞过程中起着关键作用。研究蛋白质磷酸化可以增进对蛋白质互作的研究,对于医疗、疾病、制药等均有帮助。
最近,深度学习方法在预测磷酸化位点方面取得了巨大成功,但其中大多数基于卷积神经网络,可能无法捕获足够的关于蛋白质序列中残基之间的长程依赖关系的信息。
此外,现有的深度学习方法仅利用序列信息来预测磷酸化位点,因此非常需要开发一种深度学习架构,可以结合异质序列和蛋白质 - 蛋白质相互作用(PPI)信息来更准确地预测磷酸化位点。
中国科学技术大学的研究人员提出了一种名为 PhosIDN 的新型集成深度神经网络,通过提取和组合序列和 PPI 信息来预测磷酸化位点。
该研究以「PhosIDN: an integrated deep neural network for improving protein phosphorylation site prediction by combining sequence and protein–protein interaction information」为题,于 2021 年 12 月 15 日刊载于《Bioinformatics》。