嵌入蛋白语言模型的几何图形推动蛋白间接触预测

准确预测相互作用蛋白之间的接触残基对对于蛋白质-蛋白质相互作用的结构表征非常有用。尽管近期在蛋白间接触预测方面取得了显著进展，但预测精度仍有很大的提升空间。在此，我们提出了一种新的深度学习方法，称为PLMGraph-Inter，用于蛋白间接触预测。具体来说，我们利用从相互作用蛋白的结构中获得的旋转和位移不变几何图，将多个蛋白语言模型整合在一起，这些模型通过由几何向量感知机和由维度混合残差块形成的残差网络顺次转换，以预测蛋白间接触。对多个测试集的广泛评估表明，PLMGraph-Inter在性能上大幅超越了五种顶尖的蛋白间接触预测方法，包括DeepHomo、GLINTER、CDPred、DeepHomo2和DRN-1D2DInter。此外，我们还展示了PLMGraph-Inter的预测结果可以补充AlphaFold-Multimer的结果。最后，我们表明，利用PLMGraph-Inter预测的接触作为蛋白质-蛋白质对接的约束可以显著提高蛋白质复合物结构预测的性能.