【Nature communications】四篇好文简读-专题1

智能生信

发布于 2021-10-20 16:36:14

7460

发布于 2021-10-20 16:36:14

文章被收录于专栏：智能生信智能生信

一

论文题目：

Structure-based protein function prediction using graph convolutional networks interaction information

论文摘要：

这篇文章提出一种基于图卷积网络的方法（DeepFRI）来预测蛋白质功能，该方法主要利用了从蛋白质预训练模型中提取的序列特征，以及蛋白质3D结构。其中预训练模型是基于LSTM利用大约1000万条蛋白质序列训练出来的，来提取残基级的特征；利用从3D结构中得到的contact map，通过GNN来学习结构特征。

论文连接：

https://www.nature.com/articles/s41467-021-23303-9#code-availability

Github链接：

https://github.com/flatironinstitute/DeepFRI

二

论文题目：

A deep-learning framework for multi-level peptide–protein interaction prediction

论文摘要：

肽-蛋白质的相互作用参与了各种基本的细胞功能，它们的识别对于设计有效的肽治疗药物至关重要。最近，人们开发了许多计算方法来预测肽-蛋白质的相互作用。然而，大多数现有的预测方法严重依赖于高分辨率的结构数据。作者在本文提出了一个多层次的肽-蛋白质相互作用预测的深度学习框架，称为CAMP，包括二元肽-蛋白质相互作用预测和相应的肽结合残基识别。综合评估表明，CAMP能够成功捕捉到肽和蛋白质之间的二元相互作用，并识别参与相互作用的肽沿线的结合残基。此外，CAMP在二元肽-蛋白质相互作用预测方面的表现优于其他最先进的方法。CAMP可以作为多肽-蛋白质相互作用预测和识别多肽中重要结合残基的有用工具，从而促进多肽药物发现过程。

论文链接：

https://www.nature.com/articles/s41467-021-25772-4

Github链接：

https://github.com/twopin/CAMP

三

论文题目：

Attention-based multi-label neural networks for integrated prediction and interpretation of twelve widely occurring RNA modifications

论文摘要:

最近的研究表明，通过转录后的RNA修饰进行外转录组调控对所有的RNA类型都至关重要。精确识别RNA修饰位点对于理解RNA的功能和调节机制至关重要。因此，作者提出了MultiRM，一种从RNA序列综合预测和解释转录后RNA修饰的方法。建立在基于注意力的多标签深度学习框架之上，MultiRM不仅可以同时预测12种广泛发生的转录组修饰的假定位点（m6A、m1A、m5C、m5U、m6Am、m7G、Ψ、I、Am、Cm、Gm和Um），还可以返回对正确预测贡献最大的关键序列内容。重要的是，作者的模型从不同类型的RNA修饰的角度揭示了它们相关序列上下文之间的紧密联系。作者的工作为检测多种RNA修饰提供了一个解决方案，使这些RNA修饰的综合分析成为可能，并对基于序列的RNA修饰机制有了更好的理解。

论文链接：

https://www.nature.com/articles/s41467-021-24313-3

Github链接：

https://github.com/Tsedao/MultiRM

四

论文题目：

scGCN is a graph convolutional networks algorithm for knowledge transfer in single cell omics

论文摘要:

在文献和公共基因组学资源库中，单细胞组学是增长最快的基因组学数据类型。利用不断增长的标签数据集，并将标签从现有数据集迁移到新产生的数据集，将增强单细胞组学数据的探索。然而，目前的标签迁移方法性能有限，主要是由于细胞群的内在异质性和数据集之间的外在差异。在这里，作者提出了一个强大的图模型--单细胞图卷积网络（scGCN），以实现不同数据集之间的有效知识迁移。通过在总共30个单细胞组学数据集上与其他标签迁移方法的比较，scGCN在利用来自不同组织、平台和物种的细胞以及在不同分子层的细胞分析上始终表现出卓越的准确性。