-
公开(公告)号：CN113707213A
公开(公告)日：2021-11-26
申请号：CN202111047262.X
申请日：2021-09-08
Applicant: 上海交通大学
Abstract: 一种基于深度学习的蛋白质‑配体结合位点预测方法，提取待预测蛋白质中所有残基的α碳原子在三维空间中的全局坐标，然后根据全局坐标计算得到邻接矩阵和原始节点特征，输入基于动量对比学习框架的神经网络模型从而得到蛋白质结构的描述子。本发明将深度学习技术与蛋白质结构的领域的知识相结合，生成更有鉴别力的描述子，从而更准确地识别目标蛋白质的相似结构，并且可提升蛋白质结构分类的精度。
-
-
公开(公告)号：CN116486919A
公开(公告)日：2023-07-25
申请号：CN202211331719.4
申请日：2022-10-28
Applicant: 上海交通大学
IPC: G16B40/00 , G16B15/00 , G16B30/00 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F18/23 , G06F18/24 , G06F18/214
Abstract: 一种基于混合神经网络的蛋白质与配体结合残基与口袋识别方法，通过提取待查询蛋白质的多个特征，将蛋白质的每个残基表示成三种表示，通过两种基于深度学习模型的基方法预测得到残基与配体的结合概率，再通过①平均两种基方法的预测分数得到高置信度的预测结果和②合并两种基方法的预测残基作为中置信度的预测结果，最后基于结合残基的空间坐标，通过空间聚类算法，将残基聚类得到最终的预测结合口袋。本发明从蛋白质的结构和序列两方面出发，采用两种集成策略，基于非欧式空间图网络、欧式空间的卷积网络和长短时记忆网络模型，通过空间聚类模块将预测的结合残基根据其空间位置分配到对应的结合口袋中，实现从蛋白质结构中学习蛋白质与配体的相互作用模式，并用于多种配体的特异性结合模式的学习和识别，显著提高蛋白质结合残基预测的准确性。
-
公开(公告)号：CN118197396A
公开(公告)日：2024-06-14
申请号：CN202211589076.3
申请日：2022-12-12
Applicant: 上海交通大学
Abstract: 一种基于经验图神经网络的蛋白质‑配体亲和力预测方法，从目标蛋白质与小分子配体的复合物中提取出蛋白质所有残基的β碳原子以及配体中所有重原子在三维空间中的全局坐标，然后根据全局坐标以及配体的化学键信息计算得到蛋白质图、配体图以及相互作用图的邻接矩阵；再根据蛋白质的进化信息以及配体原子的属性分别计算得到残基结点和原子结点的原始结点特征，将邻接矩阵和原始结点特征输入训练后的经验图神经网络得到蛋白质结构的亲和力。本发明将深度学习技术与蛋白质结构领域的知识相结合，通过经验图神经网络深入挖掘蛋白质与配体的空间位置关系，能够学习到更有效的蛋白质与配体间的位置关系，提升蛋白质‑配体亲和力预测的精度。
-
公开(公告)号：CN114765063A
公开(公告)日：2022-07-19
申请号：CN202110037110.5
申请日：2021-01-12
Applicant: 上海交通大学
IPC: G16B20/30
Abstract: 一种基于图神经网络表征的蛋白质与核酸结合位点预测方法，通过构建蛋白质与核酸相互作用数据集，经样本融合处理后提取其中蛋白质中每个残基的位置和特征信息及其结构上下文，并据此构建残基结构上下文的图表示，通过层次图神经网络对待预测的蛋白质的图表示进行预测，得到每个残基与DNA/RNA结合的概率，实现蛋白质与核酸结合位点预测。本发明通过基于结构上下文的残基的图表示和层次图神经网络模型来从图表示中学习结合位点的关键结构和特征模式。
-
Patent Agency Ranking
公开(公告)号：CN113724780A
公开(公告)日：2021-11-30
申请号：CN202111084566.3
申请日：2021-09-16
Applicant: 上海交通大学
Abstract: 一种基于深度学习的蛋白质卷曲螺旋结构特征预测实现方法，使用两层卷积网络和两层双向长短时记忆网络分别提取序列的局部特征以及全局特征，经拼接后通过残差网络预处理，再分别经卷曲螺旋区域预测网络、七元标记位置预测网络以及寡聚体状态预测网络预测得到卷曲螺旋的卷曲螺旋区域、七元标记位置以及寡聚体状态。本发明采用自注意力机制使得模型自动关注卷曲螺旋中对预测至关重要的位置，并采用多类别交叉熵作为损失函数。模型最终的损失函数是三个网络损失函数的加权，以及网络参数的正则项。
-
公开(公告)号：CN114765063B
公开(公告)日：2025-04-01
申请号：CN202110037110.5
申请日：2021-01-12
Applicant: 上海交通大学
IPC: G16B20/30
Abstract: 一种基于图神经网络表征的蛋白质与核酸结合位点预测方法，通过构建蛋白质与核酸相互作用数据集，经样本融合处理后提取其中蛋白质中每个残基的位置和特征信息及其结构上下文，并据此构建残基结构上下文的图表示，通过层次图神经网络对待预测的蛋白质的图表示进行预测，得到每个残基与DNA/RNA结合的概率，实现蛋白质与核酸结合位点预测。本发明通过基于结构上下文的残基的图表示和层次图神经网络模型来从图表示中学习结合位点的关键结构和特征模式。
-
公开(公告)号：CN113724780B
公开(公告)日：2023-10-13
申请号：CN202111084566.3
申请日：2021-09-16
Applicant: 上海交通大学
IPC: G16B5/00 , G16B30/10 , G16B40/00 , G16B50/00 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 一种基于深度学习的蛋白质卷曲螺旋结构特征预测实现方法，使用两层卷积网络和两层双向长短时记忆网络分别提取序列的局部特征以及全局特征，经拼接后通过残差网络预处理，再分别经卷曲螺旋区域预测网络、七元标记位置预测网络以及寡聚体状态预测网络预测得到卷曲螺旋的卷曲螺旋区域、七元标记位置以及寡聚体状态。本发明采用自注意力机制使得模型自动关注卷曲螺旋中对预测至关重要的位置，并采用多类别交叉熵作为损失函数。模型最终的损失函数是三个网络损失函数的加权，以及网络参数的正则项。
-
公开(公告)号：CN116486896A
公开(公告)日：2023-07-25
申请号：CN202211332466.2
申请日：2022-10-28
Applicant: 上海交通大学
IPC: G16B15/30 , G16B40/00 , G06F18/23213 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/096
Abstract: 一种基于域自适应和图网络的配体特异性结合残基预测方法，根据配体的理化性质，将预训练数据集中的配体聚类到多个域后，对每个域使用该域包含的所有配体的数据训练一个关系感知分类器，用于学习该域包含的配体的共享结合模式。在微调阶段，对每种配体，通过配体特异性数据集对预训练的关系感知分类器进行微调，并使用基于域自适应神经网络的预测模块来推断不同域对应的关系感知分类器的权重，并对他们的结果进行加权求和得到最终预测结合概率。
-
公开(公告)号：CN110689920B
公开(公告)日：2022-02-11
申请号：CN201910879922.7
申请日：2019-09-18
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于深度学习的蛋白质‑配体结合位点预测算法，对于待预测的蛋白质，首先提取其序列特征和距离矩阵，然后将序列特征通过滑动窗口方法分配到每个残基上，然后将残基所对应的特征逐个输入到残差神经网络和混合神经网络中，并将残差神经网络和混合神经网络的输出结果输入到Logistic回归分类器中，最终结果即为蛋白质中每个残基对应的结合概率。本发明将经典的双向长短时记忆网络和残差神经网络进行了融合，融合后的网络可以同时处理异构的蛋白质序列和结构数据，并挖掘出了序列特征和结构特征的互补性。与现有方法相比，有着更高的预测精度，且针对不同配体的数据集都有着不错的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
