MTPrompt-PTM:一种多任务方法,用于在结构意识的蛋白质语言模型上使用快速调整进行翻译后修改预测
1Department of Electrical Engineering and Computer Science, Christopher S. Bond Life Sciences Center, University of Missouri, Columbia, MO 65211, USA.
Biomolecules
|June 26, 2025
概括
通过整合结构信息和多任务学习,MTPrompt-PTM增强了翻译后修改 (PTM) 站点预测. 与现有方法相比,这种方法可以提高多种PTM类型的准确性.
科学领域:
- 生物化学和分子生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 翻译后修改 (PTMs) 对蛋白质功能和细胞过程至关重要.
- 目前用于PTM站点预测的计算模型通常依赖于有限的局部序列信息.
- 现有用于PTM预测的蛋白质语言模型 (PLM) 通常缺乏结构上下文,并被训练为单任务模型.
研究的目的:
- 开发一个先进的计算框架,用于准确的多类型的翻译后修改站点预测.
- 利用结构感知蛋白语言模型 (S-PLMs) 和多任务学习来增强PTM预测.
- 提高PTM预测模型的效率和通用性.
主要方法:
- 开发了MTPrompt-PTM,这是一个多任务PTM预测框架,使用结构感知蛋白语言模型 (S-PLM) 的快速调整.
- 实施多任务学习策略,同时使用共享功能预测多个PTM类型.
- 整合了一个知识蒸策略,以优化多任务培训.
主要成果:
- 对于13种不同类型的PTM站点,MTPrompt-PTM表现出了与最先进的工具相比的卓越性能.
- 该框架有效地整合了结构信息和多任务学习,以改善PTM站点预测.
- 结果强调了多任务学习中共享特征提取和任务特定头部的好处.
结论:
- MTPrompt-PTM代表了计算PTM站点预测的重大进步.
- 整合结构上下文和多任务学习是提高预测准确性的关键.
- 这一框架为预测多种PTM地点提供了一种更有效和更具普遍性的方法.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
2.0K
05:57Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
Published on: April 26, 2024
499
