融合图注意力网络的蛋白质相互作用位点预测方法

摘要

识别蛋白质-蛋白质相互作用位点对解析生命过程和药物设计至关重要.近年来，基于深度学习的方法在蛋白质相互作用位点预测中取得了显著进展.本文提出了一种新型深度学习模型GL-GAT,该模型整合了卷积神经网络(CNN)、双向长短时记忆网络(Bi-LSTM)以及图注意力网络(GAT)以充分挖掘蛋白质序列与三维结构信息.具体而言，首先利用CNN提取蛋白质语言模型ESM-2生成的序列特征，并采用Bi-LSTM提取位置特异性得分矩阵、二级结构和位置信息；然后，将上述特征拼接生成节点特征，并基于蛋白质三维结构构建蛋白质图；最后，通过GAT聚合邻域信息，并通过全连接神经网络输出残基位点预测概率.实验结果表明，相较于现有主流方法，GL-GAT在多个关键性能指标上均表现出更高的预测精度.

关键词

蛋白质-蛋白质相互作用位点预测 / 蛋白质语言模型 / 图注意力网络

基金资助

国家自然科学基金项目(61902352,62203389,62201506)资助; 浙江省自然科学基金项目(LY21F020025)资助; 浙江省属高校基本科研业务费项目(RF-A20200012)资助