蛋白质功能预测新SOTA，上海理工、牛津等基于统计的AI方法，登Nature子刊
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
牛津大学等研究团队设计了一种基于统计的图网络方法PhiGnet，用于蛋白质功能注释和功能位点识别。PhiGnet在性能上优于其他方法，即使没有结构信息也能缩小序列-功能差距。研究结果表明，将深度学习应用于进化数据可以突出残基级别的功能位点，为解释和研究蛋白质的特性和新功能提供支持。该研究发表在《Nature Communications》上。
❓
Q&A
PhiGnet是什么？
PhiGnet是一种基于统计的图网络方法，用于蛋白质功能注释和功能位点识别。
PhiGnet的主要优势是什么？
PhiGnet在没有结构信息的情况下仍能缩小序列-功能差距，并在功能注释的预测能力上优于其他方法。
PhiGnet如何评估残基的重要性？
PhiGnet使用激活分数评估每个残基在特定功能中的重要性，从而精确定位功能位点。
PhiGnet的准确性如何？
在九种蛋白质中，PhiGnet的平均准确率超过75%，表现出良好的预测性能。
PhiGnet的局限性是什么？
PhiGnet在序列多样性较低的蛋白质家族中可能出现偏差和噪音，影响功能位点的识别。
PhiGnet的研究成果发表在哪里？
该研究成果发表在《Nature Communications》上。
🏷️
