在这个项目中，我们提出了一种基于深度神经网络（DNN）的生物物理模型，该模型使用多尺度和统一的拓扑及静电特征来预测蛋白质性质，例如库仑能或溶剂化能。拓扑特征通过对重原子或碳原子进行元素特异性的持久同源性（ESPH）生成。静电特征使用一种新颖的笛卡尔树代码生成，该代码增加了潜在的静电相互作用，以进一步改善模型预测。这些特征在不同大小的蛋白质中数量统一，因此可以利用广泛可用的蛋白质结构数据库来训练网络。这些特征也是多尺度的，允许用户在分辨率和计算成本之间达到平衡。训练于超过17,000个蛋白质的最佳模型在预测库仑能时的均方误差（MSE）约为0.024，平均绝对百分比误差（MAPE）为0.073，决定系数（R²）为0.976。同时，训练于超过4000个蛋白质的最佳模型在预测溶剂化能时的MSE约为0.064，MAPE为0.081，R²为0.926，显示出这些特征在表征蛋白质结构和力场方面的效率和准确性。特征生成算法还有潜力作为通用工具，帮助基于机器学习的蛋白质性质和功能预测。
Sliheet等（Mon，）研究了这个问题。