MaTPIP:一个深度学习架构与 eXplainable AI 进行序列驱动,功能混合蛋白质-蛋白质相互作用预测

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 人工智能在生物学中的应用

背景情况:

• 蛋白与蛋白相互作用 (PPI) 对细胞功能至关重要,并在药物发现和治疗中具有广泛的应用.
• 从蛋白质序列中预测PPI仍然是计算生物学中的一个重大挑战.

研究的目的:

• 引入MaTPIP,这是一个新的深度学习框架,用于基于序列的精确蛋白质-蛋白质相互作用预测.
• 提高PPI预测模型的概括能力,特别是在跨物种应用中.

主要方法:

• MaTPIP集成了预先训练的基于蛋白质语言模型 (PLM) 的功能与精选的蛋白质序列属性.
• 该框架包括粒度氨基酸水平 (2D) 和整个蛋白质水平 (1D) 的特征.
• 使用混合深度学习架构,结合卷积神经网络 (CNN) 和变压器组件.

主要成果:

• 在人类和跨物种PPI数据集上,MaTPIP显著优于现有的方法.
• 在新的PPI预测场景中实现了最先进的性能,改善了诸如ROC曲线下的面积和平均精度等关键指标.
• 在多种生物体的跨物种PPI预测中建立了新的基准分数,包括老鼠,,虫,酵母和E.coli.

结论:

• MaTPIP有效地将手动策划的特征与PLM提取的特征相结合,用于基于序列的PPI预测.
• 该框架表现出强大的概括能力,特别是在预测跨物种蛋白质-蛋白质关联方面.