融合Doc2vec与GCN的多类型蛋白质相互作用预测方法

摘要: 多类型蛋白质−蛋白质相互作用(protein-protein interaction, PPI)的研究是从系统角度理解生物过程和揭示疾病机制的基础。现有的GNN-PPI、PIPR等针对多类型PPI预测方法在采用广度和深度优先搜索对数据集进行划分时,测试准确率会显著下降,因此本文基于Doc2vec方法思想和图卷积神经网络(graph convolutional network, GCN)技术,提出了一种新的多类型PPI预测方法GDP(GCN Doc2vec PPI )。该方法无需依赖蛋白质的物理和生物学特性,仅用序列信息对蛋白质进行编码,并结合网络结构信息对蛋白质进行特征聚合形成PPI信息,从而对其进行多类型预测。实验结果表明,该方法在不同规模的真实数据中可以有效地提高多类型PPI预测准确率,尤其是在训练集中未曾见过的新蛋白质之间的PPI。

  • 关键词: 
  • PPI网络  /  
  • 图神经网络  /  
  • 蛋白质功能预测  /  
  • 深度学习  /  
  • 生物学意义  /  
  • 复杂网络  /  
  • 图卷积神经网络  /  
  • 非监督学习  /  
  • 蛋白质序列  

蛋白质−蛋白质相互作用(protein-protein interaction, PPI)在许多生物过程中都有着重要作用,在这些过程中,蛋白质通过与其他蛋白质相互作用形成特定功能。建立准确的 PPI 预测模型对于理解正常及疾病状态下的细胞生物至关重要,推动了现代医学的发展,如靶点治疗[1]和新药设计[2]。

生物实验技术[3-5]虽然能够直接发现和验证PPI,但价格昂贵、检测

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

米朵儿技术屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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