#今日论文推荐# 预测蛋白质间相互作用更准确、更细致,一个基于基因本体术语集的Transformer框架
蛋白质-蛋白质相互作用(PPI)在多种生物过程中发挥关键作用,它的应用可以极大促进药物开发、疾病治疗、医学诊断等领域的发展;然而,只有一小部分相互作用通过实验进行了鉴定。此外,已知检测 PPI 的高通量实验技术会受到各种限制,例如较大的假阳性和假阴性率。
源自基因本体(Gene Ontology,GO)注释的语义相似性被认为是蛋白质相互作用最有力的指标之一。尽管近年来预测 PPI 的计算方法已经逐渐发展起来,但大多数方法都未能捕捉到 GO 术语的特异性。
南安普顿大学(University of Southampton)的研究人员提出了TransformerGO,一种能够使用注意力机制动态捕获 GO 集之间语义相似性的模型。他们使用一种算法框架为 GO 术语生成密集图嵌入,该算法框架用于学习称为 node2vec 的网络中节点的连续表示。
TransformerGO 学习带注释的术语之间的深层语义关系,并且可以高精度地区分消极和积极的交互。TransformerGO 在黄金标准 PPI 数据集上的经典语义相似性测量,以及在酿酒酵母和智人的大型数据集上的评估,均优于基于机器学习的最先进方法。研究人员还展示了嵌入在转换器架构中的神经注意机制,如何在预测交互时检测相关的功能项。
该研究以「TransformerGO: predicting protein–protein interactions by modelling the attention between sets of gene ontology terms」为题,于 2022 年 4 月 15 日刊载在《Bioinformatics》。
论文题目:TransformerGO: Predicting protein-protein interactions by modelling the attention between sets of gene ontology terms.
详细解读:https://www.aminer.cn/research_report/626a0dbf7cb68b460faadb7e?download=falsehttps://www.aminer.cn/research_report/626a0dbf7cb68b460faadb7e?download=false
AMiner链接:https://www.aminer.cn/?f=cs