利用 Transformer 和 RNN 在哺乳动物蛋白质中预测 O-GlcNA 修饰位点，使用新的损失函数训练
原文中文，约400字，阅读约需1分钟。发表于：。通过使用转化器编码器和加权的分布式 MCC 损失函数，改进了 RNN 模型在 O-GlcNAcylation 位点预测中的性能。使用这种新的损失函数，训练的双细胞 RNN 在大型数据集上取得了 38.82% 的 F1 分数和 38.21% 的 MCC，成为当前 O-GlcNAcylation 位点预测的最先进模型。
研究提出了一种新的分子性质预测方法SYN-FUSION，结合了图神经网络和Transformer的预训练特征，在MoleculeNet基准数据集上表现出卓越性能，优于以前的模型。与其他Graph-Transformer模型相比，性能相当。消融实验验证了SYN-FUSION的有效性，对预测分子性质有实质性改进。
