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。然后将这些提取的特征连接起来并馈送到前馈神经网络 (FNN) 与SoftMax函数耦合,该函数最终输出两个类的概率——“0”(负对)和“1”(正对)。
蛋白质结构图
蛋白质和蛋白质图。从酿酒酵母α因子受体的肽段(左)的相应PDB描述中提取的蛋白质结构图(右)的图示。通过对氨基酸之间的距离进行阈值化来提取该图。蛋白质的螺旋结构(左)被捕获在相应的蛋白质图(右)中,例如,氨基酸4与氨基酸7相连。
在这项工作中,我们使用9.5Å的阈值从氨基酸的平均位置创建蛋白质图。该阈值是根据经验获得的,以便在简化图形表示的同时使底层图形完全连通。请注意,虽然我们使用氨基酸作为蛋白质图的组成顶点,但该方法可以很容易地扩展到多分辨率表示,其中一个顶点表示两个或多个氨基酸。粗颗粒表示为研究蛋白质复合物的其他纳米级组分,如脂质和多糖开辟了新的可能性,因为降低从所有原子到亚分子的表示水平可以很容易地推广到其他非蛋白质实体。通过使用官能团作为氨基酸,也可以获得结构更精细的图。此外,蛋白质图的这种几何结构确保了显著的几何特征,如多肽链上非相邻氨基酸的空间邻近性。基于序列的蛋白质表示可能也不能捕获这种几何结构(见图2)
图构造方法将与蛋白质相关的空间信息转换为等效的蛋白质图对象G=(V,E),其中V是顶点集,E是它们之间的边集。在图2的蛋白质图中,vi∈ V是第i个氨基酸,eij∈ E表示第i和第j个氨基酸之间的边缘,满足它们在9.5Å的指定阈值内的接近度。为了使用我们的机器学习框架,这些图对象必须嵌入到实值向量空间中。我们使用由距离顶点1跳距离处的相邻顶点和边诱导的1-邻域子图[56]。通过扫描训练数据库中的所有蛋白质图来构建所有唯一子图的字典。因此,蛋白质中的每个顶点都由字典中的元素等效地表示。
3.结果
非平衡数据集上基于深度学习的机器学习方法的五倍交叉验证性能分析(1:3)
非平衡数据集上基于深度学习的机器学习方法的五倍交叉验证性能分析(1:5)
非平衡数据集上基于深度学习的机器学习方法的五倍交叉验证性能分析(1:10)