首页
/ ```markdown

```markdown

2024-06-11 16:16:28作者:龚格成
# 使用GNN-CNN预测化合物与蛋白质相互作用的开源项目





在生物信息学和药物发现领域,准确预测化合物与蛋白质(CPI)的相互作用至关重要。本项目提供了一个基于深度学习的解决方案,利用图神经网络(GNN)对化合物进行建模,而卷积神经网络(CNN)则用于处理蛋白质序列。虽然项目开发者已指出将不再维护此项目并建议转向[量子深场模型](https://github.com/masashitsubaki/QuantumDeepField_molecule),但该项目的历史成就和公开代码仍具有一定的研究价值。

## 项目介绍

**CPI预测GNN-CNN**是[2018年Bioinformatics论文](https://academic.oup.com/bioinformatics/advance-article-abstract/doi/10.1093/bioinformatics/bty535/5050020?redirectedFrom=PDF)的PyTorch实现。它通过将SMILES表示的化合物转换为2D图形结构数据,并结合蛋白质的氨基酸序列,预测两者是否能相互作用。该模型以1:1的比例提供了两个CPI数据集:人类和*C. elegans*## 项目技术分析

模型的核心在于GNN和CNN的集成。GNN用于学习化合物中子图(即指纹)的表示,而CNN则处理蛋白质序列。尽管这个实现比原始论文中的模型更简单,没有边向量的更新,但它仍能捕捉到分子结构的关键信息。输入为化合物的SMILES字符串和蛋白质序列,输出为二进制标签(交互或不交互)。

## 应用场景

1. **药物研发**:预测新化合物可能与哪些蛋白质发生作用,从而指导药物设计。
2. **生物学研究**:理解蛋白质功能,探索药物靶点。
3. **个性化医疗**:根据个体基因组信息预测其对特定药物的反应。

## 项目特点

1. **易用性**:只需设置好环境(如PyTorch),预处理数据和训练模型只需两条命令。
2. **自定义性**:支持使用相同格式的自定义CPI数据集进行模型训练。
3. **效率**:简化版模型减少了计算复杂度,适用于快速实验。
4. **可复现性**:提供的脚本可以重现论文中的学习曲线。

## 部署说明

1. 运行`code/preprocess_data.py`创建CPI的预处理数据。
2. 运行`code/run_training.py`训练模型。

## 结果

在人类和*C. elegans*测试集上的学习曲线显示了模型的性能稳定性和渐近收敛。

## 引用

当您使用此项目时,请引用以下文献:

@article{tsubaki2018compound, title={Compound-protein Interaction Prediction with End-to-end Learning of Neural Networks for Graphs and Sequences}, author={Tsubaki, Masashi and Tomii, Kentaro and Sese, Jun}, journal={Bioinformatics}, year={2018} }

请注意:由于项目作者已经指出GNN方法对于分子建模可能无效,并推荐使用新的量子深场模型,因此我们鼓励读者考虑最新的研究进展。




项目优选

收起
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
33
24
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
826
0
redis-sdkredis-sdk
仓颉语言实现的Redis客户端SDK。已适配仓颉0.53.4 Beta版本。接口设计兼容jedis接口语义,支持RESP2和RESP3协议,支持发布订阅模式,支持哨兵模式和集群模式。
Cangjie
375
32
advanced-javaadvanced-java
Advanced-Java是一个Java进阶教程,适合用于学习Java高级特性和编程技巧。特点:内容深入、实例丰富、适合进阶学习。
JavaScript
75.92 K
19.09 K
qwerty-learnerqwerty-learner
为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 / Words learning and English muscle memory training software designed for keyboard workers
TSX
15.62 K
1.45 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
19
2
杨帆测试平台杨帆测试平台
扬帆测试平台是一款高效、可靠的自动化测试平台,旨在帮助团队提升测试效率、降低测试成本。该平台包括用例管理、定时任务、执行记录等功能模块,支持多种类型的测试用例,目前支持API(http和grpc协议)、性能、CI调用等功能,并且可定制化,灵活满足不同场景的需求。 其中,支持批量执行、并发执行等高级功能。通过用例设置,可以设置用例的基本信息、运行配置、环境变量等,灵活控制用例的执行。
JavaScript
9
1
Yi-CoderYi-Coder
Yi Coder 编程模型,小而强大的编程助手
HTML
57
7
RuoYi-VueRuoYi-Vue
🎉 基于SpringBoot,Spring Security,JWT,Vue & Element 的前后端分离权限管理系统,同时提供了 Vue3 的版本
Java
147
26
anqicmsanqicms
AnQiCMS 是一款基于Go语言开发,具备高安全性、高性能和易扩展性的企业级内容管理系统。它支持多站点、多语言管理,能够满足全球化跨境运营需求。AnQiCMS 提供灵活的内容发布和模板管理功能,同时,系统内置丰富的利于SEO操作的功能,帮助企业简化运营和内容管理流程。AnQiCMS 将成为您建站的理想选择,在不断变化的市场中保持竞争力。
Go
78
5