利用深度学习和结构域引导的结构信息，精准预测蛋白质功能
预测蛋白质功能对于理解生物机制和疾病治疗至关重要。然而，现有方法缺乏可解释性，难以揭示蛋白质结构与功能的关联。中南大学研究团队开发了一种名为DPFunc的深度学习模型，通过整合结构域信息，显著提高了蛋白质功能预测的准确性。该研究成果已发表在《自然通讯》（Nature Communications）杂志上。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DPFunc模型由三个模块构成：残基级特征学习模块、蛋白质级特征学习模块和蛋白质功能预测模块。 残基级特征学习模块利用预训练蛋白质语言模型（ESM-1b）和图神经网络（GCN），学习蛋白质序列和结构信息。 蛋白质级特征学习模块则整合结构域信息，通过注意力机制识别与功能密切相关的关键残基或区域。最终，蛋白质功能预测模块输出预测结果，并经过后处理以保证与基因本体论（GO）项结构的一致性。
研究结果表明，DPFunc的性能显著优于现有方法，尤其在预测信息量大、样本稀少的GO项方面表现突出。 DPFunc能够有效处理序列相似性低的蛋白质，并准确预测其功能。 此外，DPFunc还能有效识别酶的关键活性位点。 通过去除结构域注意力块，实验验证了结构域信息对模型性能的提升作用。
使用 `gh` CLI 与 GitHub 交互。通过`gh issue`、`gh pr`、`gh run` 和 `gh api` 管理 issue、PR、CI 运行以及高级查询。
DPFunc利用蛋白质序列作为输入，通过预测结构域信息、提取残基特征和构建结构图来进行功能预测。 该模型的优势在于其对结构域信息的有效利用，以及对关键残基区域的精准识别，从而实现了对蛋白质功能的准确预测。 未来研究将着重于如何更有效地预测蛋白质在动态环境下的功能。
论文链接：https://www.php.cn/link/90ffcbb134728e25a7388a090d0ee80b
代码链接：https://www.php.cn/link/f8e64ef83e6f6881ceca3a3922921ddd
