BMBQA:融合MCNN和BiGRU的蛋白质模型质量评估算法

蛋白质模型质量评估是指对计算手段预测出的蛋白质结构进行评分,以选择尽可能接近天然结构的蛋白质模型,这对在蛋白质结构预测中挑选最优的蛋白质模型和在生物医学研究中恰当使用它们起到至关重要的作用.随着3D蛋白质数据的不断增长,基于深度学习的蛋白质模型质量评估方法得到了快速发展,但该领域只探索了深度学习方向较浅层的应用.本文为了探索更精确的质量评估方法,提出了一个基于多尺度卷积(MCNN)和双向门控循环神经网络(BiGRU)的深度模型,预测蛋白质模型的GDT＿TS(Global Distance Test＿Total Score)分数,并将这一方法命名为BMBQA(Quality Assessment Base on MCNN-BiGRU).其中,多尺度卷积神经网络用来提取蛋白质模型中浅层的细节信息以及深层的抽象信息,双向门控循环神经网络用来提取每个残基的长程相互作用信息,通过数据增强来提高深度模型在目标蛋白质中挑选最优蛋白质模型的性能.本文利用CASP13中的数据集与现有的先进方法进行比较,实验结果表明本文方法在4个经典的评价指标中均具有很强的竞争力.     

增强分子拓扑信息的多任务图神经网络算法

以分子毒性为代表的分子属性预测在以药物设计为主的多个领域的发展中发挥着重要作用，但直接利用分子结构信息快速且准确地预测分子毒性一直是一个挑战。目前，卷积网络和图网络等深度学习方法的出现在这个问题的解决上得到了一定的进展。而以图网络为主的深度学习方法在分子毒性预测中存在两个关键问题，影响预测性能：第一，数据驱动使得模型在面对小批量数据时依然没有可靠的性能。第二，建模分子结构只考虑了天然共价键，只能提供粗粒度的信息。为解决上述问题，给出了一种对分子结构的新型建模方式MT-ToxGNN。该方法将多任务的思想融入图神经网络中，使得不同任务在训练时可以互相学习不同数据的可靠分布，从而避免在小批量数据上的过拟合问题。将分子编码成拓扑图结构时同时考虑分子内共价键以及非共价作用，就是在使用分子共价键构建传统图的边集之后，再使用非共价作用构建新型图的边集，从而弥补传统图网络对分子结构信息表示的不足。使用特别设计的图网络分别处理分子的共价与非共价信息，充分学习不同的分子结构。在与大量先进方法的性能比较中，MT-ToxGNN在多个分子毒性数据集上皮尔森系数指标达到了最佳。