近期，我校信息工程學(xué)院李重教授（通訊作者）課題組，在生物信息領(lǐng)域國際重要期刊《Bioinformatics》（JCR一區(qū)期刊，IF：6.931）上，以我校為第一單位發(fā)表題為“AFTGAN: prediction of multi-type PPI based on attention free transformer and graph attention network”的最新研究成果。

　　蛋白質(zhì)相互作用（PPI）的研究對于生物醫(yī)學(xué)發(fā)展至關(guān)重要，對PPI的深入理解可以為正常和疾病狀態(tài)下的細(xì)胞生理學(xué)提供更多的見解，對基礎(chǔ)科學(xué)和藥物發(fā)現(xiàn)具有重大意義。然而，未知PPI預(yù)測仍然是一個(gè)挑戰(zhàn)性的問題。為此，該課題組提出了一種新的神經(jīng)網(wǎng)絡(luò)模型AFTGAN，用于預(yù)測多種類型PPI。該方法在特征輸入方面，除了氨基酸共現(xiàn)相似性和獨(dú)熱編碼以外，還添加了含有大量蛋白質(zhì)生物學(xué)信息的語言模型ESM-1b嵌入作為蛋白質(zhì)序列特征。在網(wǎng)絡(luò)框架部分，構(gòu)建了一個(gè)基于Transformer編碼器的集成網(wǎng)絡(luò)，包含Attention Free Transformer （AFT） 模塊和圖注意力網(wǎng)絡(luò)（GAT）。其中，AFT模塊用于對重要蛋白質(zhì)序列特征信息進(jìn)行加權(quán)計(jì)算，而圖注意力網(wǎng)絡(luò)（GAT）主要用于提取蛋白質(zhì)對的關(guān)系特征。在SHS27K和SHS148K數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，AFTGAN優(yōu)于其他使用隨機(jī)、深度優(yōu)先搜索（DFS）和廣度優(yōu)先搜索（BFS）劃分的方法。測試集tSTRING數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，AFTGAN模型在預(yù)測未知PPI方面具有性能優(yōu)勢。

　　論文鏈接：https://academic.oup.com/bioinformatics/article/39/2/btad052/7000335