上海交通大学和中山大学的研究人员提出了 DeepProSite，用于利用蛋白质结构和序列信息来识别蛋白质结合位点。DeepProSite 首先从 ESMFold 生成蛋白质结构，并从预训练的语言模型生成序列表示。然后，它使用 Graph Transformer 并将结合位点预测制定为图节点分类。在预测蛋白质-蛋白质/肽结合位点时，DeepProSite 在大多数指...
DeepProSite 首先从 ESMFold 生成蛋白质结构,并从预训练的语言模型生成序列表示。然后,它使用 Graph Transformer 并将结合位点预测制定为图节点分类。 在预测蛋白质-蛋白质/肽结合位点时,DeepProSite 在大多数指标上都优于当前基于序列和结构的方法。此外,与基于结构的预测方法相比,DeepProSite 在预测未结合结构时保持...
上海交大&中山大学团队使用ESMFold、预训练语言模型以及Graph Transformer，成功开发了名为DeepProSite的创新技术，用于蛋白质结合位点预测。具体特点和优势如下：技术融合：ESMFold：用于生成高质量的蛋白质结构预测，为结合位点预测提供结构信息。预训练语言模型：增强蛋白质的序列表示，考虑序列上下文，提升预测的...
在最新的研究中,上海交通大学和中山大学的研究人员提出了 DeepProSite,是一种拓扑感知的 Graph Transformer 模型,它可以从蛋白质序列中生成有效的结构信息和序列信息表示,分别利用 ESMFold 和预训练的语言模型来预测蛋白质结合位点。 图示:DeepProSite 方法的整体流程。(来源:论文) 仅依靠蛋白质序列,DeepProSite 就实现...
上海交通大学和中山大学的研究团队联合开发了一种名为DeepProSite的创新技术，该技术利用ESMFold生成蛋白质结构、预训练语言模型的序列表示，以及Graph Transformer进行蛋白质结合位点的预测。这种方法旨在解决现有技术在预测蛋白质功能位点时的局限，尤其是缺乏结构信息和序列上下文的考虑。DeepProSite通过将结合位点...
DeepProSite 首先从 ESMFold 生成蛋白质结构,并从预训练的语言模型生成序列表示。然后,它使用 Graph Transformer 并将结合位点预测制定为图节点分类。 在预测蛋白质-蛋白质/肽结合位点时,DeepProSite 在大多数指标上都优于当前基于序列和结构的方法。此外,与基于结构的预测方法相比,DeepProSite 在预测未结合结构时保持...
DeepProSite首先从 ESMFold 生成蛋白质结构,并从预训练的语言模型生成序列表示。然后,它使用 Graph Transformer 并将结合位点预测制定为图节点分类。 在预测蛋白质-蛋白质/肽结合位点时,DeepProSite 在大多数指标上都优于当前基于序列和结构的方法。此外,与基于结构的预测方法相比,DeepProSite 在预测未结合结构时保持了...