多视角随机向量函数连接网络用于预测DNA结合蛋白

Deep Motif Dashboard 是一个工具套件，提供深度学习网络模型中 DNA 定序信号及转录因子结合位点分类的可视化策略。

ProteinNet 数据集为蛋白质序列-结构关系的机器学习模型提供了标准化机制，克服了已有数据集的挑战。

基于3D蛋白结构的预训练方法通过多视图对比学习和自我预测任务，实现了对蛋白质的有效编码。

多任务生物测定预训练框架 (MBP) 结合蛋白质-配体复合物的三维结构，改进了蛋白质-配体结合亲和力的预测。

DeepGATGO 是一种基于序列的层次预测方法，利用图形注意力网络和对比学习进行蛋白质功能预测，具有更好的可扩展性。

Prot2Text 方法结合图神经网络和大型语言模型，以自由文本形式预测蛋白质功能，提供详细准确的描述。

ESM-NBR 提出了一种快速准确的序列-based 方法，显著提高了对 DNA 和 RNA 结合残基的预测性能和速度。

ProteinRPN 方法识别潜在的功能区域并优化功能节点的表示，提高了基因本体术语的预测准确性。