本文研究了缺失链接预测方法，提出了新的加权矩阵分解、布尔矩阵分解和推荐矩阵分解，结合自动模型选择和不确定性量化技术，以提高链接预测的可靠性和准确性。实验结果表明，该方法在蛋白质相互作用网络中显著提升了预测性能。

蛋白质-蛋白质相互作用（PPIs）是生物功能的基础，准确识别这些相互作用对疾病研究和药物开发至关重要。浙江大学团队提出的玻尔兹曼对齐技术结合深度学习，显著提升了结合自由能变化的预测精度，超越了现有方法。这项研究为理解蛋白质相互作用提供了新思路，并在国际学术会议上发表。

本研究提出了一种适应性方法，以提高蛋白质-蛋白质相互作用分析的可靠性，增强计算生物学的可信度，为精准医学和生物医学研究提供了重要潜力。

本文提出了一种可扩展的文件摄取系统，将数据库和PDF数据整合到生物化学知识图谱（BCKG）中，以加速生化科学发现。研究展示了该系统在碳水化合物酶领域的应用，并提出了多种新算法和模型，用于预测基因、蛋白质相互作用及疾病基因，显著提高了识别能力和数据完整性，为生物医学研究提供了重要参考。

该论文探讨了大型语言模型（如GPT和BERT）在生物医学文本中检测蛋白质相互作用的有效性。研究表明，GPT模型在生物医学文献挖掘中表现出色，并提出了基于GPT的新方法用于基因集功能摘要。实验验证了GPT-3和GPT-4在BioNLP应用中的性能，强调了其在临床深度表型化和蛋白质分析中的潜力。

蛋白质相互作用（PPI）在生物过程中至关重要。本文回顾了图神经网络（GNN）、图卷积网络（GCN）和图注意力网络（GAT）等基于图的方法，并探讨了它们在PPI预测中的应用。研究提出了ContactNet和SemiGNN-PPI等新方法，以提高PPI预测的准确性和性能，尤其在处理未知数据时表现优越。

本文介绍了一种基于深度卷积神经网络的分子对接得分预测模型，测试结果显示其预测性能优于以往方法。同时，研究探讨了蛋白质相互作用的图神经网络方法，并提出新的深度学习框架，显著提升了蛋白质折叠和相互作用预测的准确性，适用于药物发现中的配体结合活性评分。

本研究提出了一种多模态学习框架MolBind，结合分子结构和自然语言，提升蛋白质相互作用任务的性能。通过对比学习，MolBind将不同模态映射到共享特征空间，展现了优越的零样本学习能力。此外，研究构建了高质量数据集MolBind-M4，以促进多模态有效预训练，推动生物医学领域的应用。

本研究探讨了ELBE、Box^2EL和锥体嵌入等方法在知识图谱和本体学习中的应用，旨在提高蛋白质相互作用预测和逻辑查询的效率。研究表明，不同的表示和投影方法对公理预测有显著影响，并提出了基于几何运算的框架以优化复杂查询。

本文综述了利用深度学习模型分析蛋白质相互作用的方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型。同时，文章指出了该领域面临的挑战和新的研究方向。