Tiefes Lernen von Hochordnungsinteraktionen zur Vorhersage von Proteinoberflächen

Proteininteraktionen sind in einem breiten Spektrum biologischer Prozesse wichtig. Traditionell wurden rechnergestützte Methoden entwickelt, um automatisch Proteinoberflächen anhand handgefertigter Merkmale vorherzusagen. Neuere Ansätze verwenden tiefe neuronale Netzwerke und sagen die Interaktion jedes Aminosäurepaars unabhängig voraus. Diese Methoden berücksichtigen jedoch nicht die wichtigen sequenziellen Informationen aus Aminosäureketten und die Hochordnungs-Paarinteraktionen. Intuitiv sollte die Vorhersage eines Aminosäurepaares sowohl von ihren Merkmalen als auch von den Informationen anderer Aminosäurepaare abhängen. In dieser Arbeit schlagen wir vor, die Vorhersage von Proteinoberflächen als ein 2D-dichtes Vorhersageproblem zu formulieren. Darüber hinaus schlagen wir ein neuartiges tiefes Modell vor, um die sequenziellen Informationen und Hochordnungs-Paarinteraktionen zu integrieren, um Oberflächenvorhersagen durchzuführen. Wir stellen Proteine als Graphen dar und verwenden Graph-neuronale Netzwerke, um Knotenmerkmale zu lernen. Anschließend schlagen wir die sequenzielle Modellierungsmethode vor, um die sequenziellen Informationen zu integrieren und die Merkmalsmatrix neu anzuordnen. Danach integrieren wir Hochordnungs-Paarinteraktionen, um einen 3D-Tensor zu erzeugen, der verschiedene Paarinteraktionen enthält. Schließlich verwenden wir konvolutionale neuronale Netzwerke, um 2D-dichte Vorhersagen durchzuführen. Experimentelle Ergebnisse auf mehreren Benchmarks zeigen, dass unsere vorgeschlagene Methode die Leistung bei der Vorhersage von Proteinoberflächen konstant verbessern kann.