零预训练权重，全原子级GNN直接预测膜蛋白拓扑！
Predicting Transmembrane Protein Topology from 3D Structure
📖 AI 总结
该论文提出了一种利用先进图神经网络SchNet从三维结构推断跨膜蛋白拓扑结构的新方法。研究采用与DeepTMHMM模型相同的数据集进行训练，并通过五折交叉验证评估性能。与仅依赖蛋白质序列或α-碳原子作为特征的传统方法不同，该模型解码了所有原子级别的嵌入信息，从而更充分地利用三维结构数据。值得注意的是，在不使用任何预训练权重的情况下，模型仍展现出良好潜力，表明图神经网络在蛋白质拓扑预测任务中具有应用前景。这项工作为跨膜蛋白拓扑预测提供了新思路，即从三维结构出发、借助图神经网络捕捉原子级信息，有望推动该领域预测方法的进一步发展。
🔑 关键词速览
| SchNet | 一种基于连续滤波卷积的图神经网络，专门用于建模原子间相互作用，常用于分子和材料性质预测。 |
| DeepTMHMM | 一种基于深度学习的跨膜螺旋预测模型，用于识别蛋白质的跨膜拓扑结构。 |
| 蛋白质拓扑结构 | 描述跨膜蛋白中螺旋区段在膜内外的连接方式及取向的二维结构信息。 |
| 5折交叉验证 | 将数据集分成5份，轮流将其中4份作为训练集、1份作为验证集，以评估模型泛化能力的统计方法。 |
| 原子级嵌入 | 将每个原子的局部化学环境编码为低维向量表示，用于图神经网络中的特征学习。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅