摘要：针对图神经网络(GNN)ProteinSolver结构特征约束不充分的问题,增加了骨架二面角、配对氨基酸的相对位置编码和相对方向等结构约束,提出了一种基于GNN的固定骨架蛋白质设计方法。实现了基于Transformer多头注意力机制的GNN架构,将物理坐标添加到消息传递和更新步骤中,提高了原子坐标的等变特性。在CATH数据集上的训练和测试结果显示:该文模型平均困惑度为8.12,比ProteinSolver的平均困惑度8.97降低了0.85;在掩盖率为50%时,ProteinSolver的恢复率为28.7%;然后,增加更多的结构约束,恢复率达到了30.3%;随后,将ProteinSolver的GNN替换成基于Transformer的GNN,恢复率达到了34.3%;最后,通过再引入等变特性,恢复率进一步提高到35.0%。

摘要：蛋白质结构决定功能,蛋白质主链上N-C键和C-C键形成的二面角(φ,ψ)对蛋白质三维结构和空间构象起着重要作用。从蛋白质一级序列出发,预测骨架二面角可以加速对低能结构构象空间的有效采样,大大推进三维结构预测,可作为生物实验的有效快速辅助手段。随着蛋白质生物样本数据增多和计算性能提升,近年来,深度学习方法广泛应用到蛋白质二面角预测。介绍了蛋白质残基的主要特征表示、计算方法对二面角预测处理、评价标准和常用数据集等;对近几年来的基于深度学习模型诸多研究工作进行系统归纳与整理,从网络结构设计、输入特征表示、模型泛化性能等方面进行总结,并对比分析各算法特点及存在的问题。在此基础上,对其未来研究发展方向与应用前景进行了展望。