PSC-CPI: 高效且可泛化的多尺度蛋白质序列 - 结构对比用于化合物 - 蛋白相互作用预测
内容提要
本文综述了基于深度学习的化合物-蛋白质相互作用预测方法，如MCPI、DrugCLIP、PTM-CMGMS等模型，通过整合PPI、CCI网络及结构特征提升预测性能，并应用于SARS-CoV-2抑制剂筛选和药物研发。
延伸解读
多源信息整合提升CPI预测性能
文章指出，MCPI模型通过整合PPI网络、CCI网络和CPI的结构特征等多种信息源，提高了化合物-蛋白质相互作用预测性能，并应用于搜索潜在的SARS-CoV-2抑制剂。结果表明，该模型优于其他现有CPI预测模型，有望推动对CPI的理解并指导药物研发。
对比学习在虚拟筛选中的优势
DrugCLIP框架将虚拟筛选重构为密集检索任务，利用对比学习对齐结合蛋白口袋和分子的表示，无需准确的结合亲和力标签。实验表明，DrugCLIP在不同虚拟筛选基准测试中明显优于传统对接和监督学习方法，尤其在零样本设置中，大大减少了计算时间。
结构-序列耦合的PTM位点预测
PTM-CMGMS方法通过耦合多粒度结构表示和多尺度序列表示来预测蛋白质翻译后修饰位点。它利用AlphaFold预测的结构学习邻域结构表示，并通过对比学习优化，同时提取上下文序列信息，对齐所有上下文序列生成基序辅助预测。实验结果表明，PTM-CMGMS优于现有方法。
Q&A
MCPI模型是什么？它如何提高化合物-蛋白质相互作用预测性能？
MCPI是一种新型模型，通过整合多种信息源（包括PPI网络、CCI网络和CPI的结构特征等）来提高CPI预测性能，并应用于搜索潜在的SARS-CoV-2抑制剂。结果表明，该模型优于其他现有的CPI预测模型。
DrugCLIP对比学习框架在虚拟筛选中有哪些优势？
DrugCLIP将虚拟筛选重构为密集检索任务，利用对比学习对齐结合蛋白口袋和分子的表示，无需准确的结合亲和力标签。它引入了生物知识启发的数据增强策略，在多个基准测试中明显优于传统对接和监督学习方法，尤其在零样本设置中大大减少了计算时间。
PTM-CMGMS方法如何预测蛋白质翻译后修饰位点？
PTM-CMGMS通过耦合多粒度结构与多尺度序列表示来预测蛋白质翻译后修饰位点。它利用AlphaFold预测的结构学习邻域结构表示，并通过对比学习优化结构表示，同时通过多尺度序列表示学习提取上下文序列信息，通过对齐所有上下文序列生成基序辅助预测。实验结果表明PTM-CMGMS优于现有方法。
在化合物-蛋白质相互作用预测中，如何解决结构-亲和力数据缺乏的问题？
通过引入新的数据增强策略和物理信息神经网络，可以解决蛋白质-配体相互作用预测中结构-亲和力数据缺乏的问题，并得到显著的性能提升，适用于药物发现中的配体结合活性评分和虚拟筛选。
深度学习方法在生物医学文献中提取化学物质-蛋白质相互作用时面临哪些挑战？
挑战包括即使进行了置信度校准，也会出现在测试数据集外的误差和挑战。因此，利用多篇文章进行预测可以提高预测的精度和可靠性。这项研究探讨了深度学习方法在文本挖掘中的应用和局限性，同时强调了在人工筛选过程中置信度校准的重要性。
PPIformer模型在蛋白质-蛋白质相互作用研究中有何应用潜力？
通过构建PPIRef数据集和使用PPIformer模型，本研究发现可以提高蛋白质-蛋白质相互作用的突变预测，并表明其在仿真药物研究和疗法改进中的潜力。
