本论文来自计算生物学中心，Flatiron研究所的研究人员发表在nature communications上的Structure-based protein function prediction using graph convolutional networks。文章提出一个通过利用从蛋白质语言模型和蛋白质结构中提取的序列特征来预测蛋白质功能的图形卷积网络的模型(DeepFRI)。该模型的性能优于当前领先的方法，可以扩展序列数据存储库的规模和使用同源模型增强实验结构的训练集，能够显著扩大可预测函数的数量。同时DeepFRI具有显著的去噪能力，当实验结构被蛋白质模型所取代时，其性能仅有小幅下降。类激活图允许以前所未有的分辨率进行功能预测，并且允许在残基水平上进行特定位点的注释。方法通过注释来自PDB和SWISS-MODEL的结构，展示了方法的实用性和高性能。

 DeepFRI流程图

论文地址：https://www.biorxiv.org/content/10.1101/786236v1

代码\数据：https://github.com/flatironinstitute/DeepFRI

内容中包含的图片若涉及版权问题，请及时与我们联系删除