深度学习在蛋白质功能预测中的应用

宋益东, 袁乾沐, 杨跃东

The application of deep learning in protein function prediction

Yidong SONG, Qianmu YUAN, Yuedong YANG

表2 结合位点预测最新方法总结

Tab. 2 The summary of the latest binding site prediction methods

	方法	数据来源	年份	特征¹	算法	是否开源²
蛋白-蛋白	SPPIDER^[45]	PDB	2007	物理化学性质，基于MSA的进化信息，DSSP结构信息，dSA （预测的和真实RSA的差值）	全连接神经网络	S
	SCRIBER^[46]	BioLip	2019	相对溶剂可及性，进化保守性，相对氨基酸结合倾向性，物理化学性质，内部无序性，二级结构，残基位置	逻辑回归	S
	DELPHI	PDB, BioLip	2020	高分值片段对，ProtVec1D，PSSM，进化保守性，相对溶剂可及性，相对氨基酸结合倾向性，亲水性，内部无序性，物理化学性质，PKx，位置信息	CNN+GRU	S, C
	DeepPPISP^[47]	PDB	2020	PSSM，二级结构，one-hot蛋白序列	CNN	S, C
	MaSIF^[48]	----	2020	表面几何与物理化学特征，如局部曲率、Poisson–Boltzmann静电、氢键供体或受体以及亲水性	几何深度学习	C
	GraphPPIS	PDB	2021	PSSM，HMM，DSSP	GCN	S, C
蛋白-多肽	SPRINT^[49]	PDB	2016	one-hot蛋白序列，PSSM，相对溶剂可及性，二级结构，物理化学性质	SVM	S
	PepBind^[50]	BioLiP	2018	PSSM，HMM，二级结构，内部无序性	SVM+ 基于模板的方法	S
	Visual^[51]	BioLiP	2020	PSSM，半球暴露，二级结构，溶剂可及性，扭转角，物理化学性质	CNN	C
	$B i t e N e t_{p_{p}}$	BioLip	2021	体素化的11种原子密度	3D CNN	S, C
	PepNN	PDB	2022	残基间距离，Cα的相对方向，局部坐标系间旋转矩阵，残基的相对位置，one-hot蛋白序列，扭转骨架角，语言模型特征	互注意力机制+GNN	C
蛋白-核酸	DNAPred^[52]	PDB	2019	PSSM，预测的二级结构和溶剂可及性，结合与非结合氨基酸的频率差	SVM	S
	NucBind^[53]	PDB	2019	PSSM，HMM，预测的二级结构，预测结构	SVM+COACH-D^[54]	S
	NCBRPred^[55]	----	2021	PSSM，HMM，预测的二级结构和溶剂可及性	GRU	S, C
	GraphBind	BioLiP	2021	残基的原子特征，DSSP，PSSM，HMM	GNN	S, C
	GraphSite	BioLiP	2022	AlphaFold2 single特征，PSSM，HMM，DSSP	Graph Transformer	S, C
蛋白-小分子或离子配体	TargetS^[56]	PDB	2013	PSSM，预测的二级结构，相对氨基酸结合倾向性	AdaBoost	S
	IonCom^[19]	BioLiP	2016	PSSM，预测的二级结构和溶剂可及性，保守性，氨基酸的离子结合频率，预测结构	AdaBoost+SVM+ COFACTOR^[57]+ S-SITE^[18]+ TM-SITE^[18]	S, C
	MIB^[16]	PDB	2016	结构模板数据	Fragment Transformation	S
	DELIA	BioLip	2020	PSSM，HMM，二级结构，可溶性，S-SITE特征，基于结构的距离矩阵	CNN	S
	LMetalSite	BioLiP	2022	语言模型特征	Transformer+多任务学习	S, C
综合不同类型配体	MTDsite	BioLip	2021	PSSM，HMM，SPIDER3，溶剂可及性表面积，扭转角，分界线内的残基数，半球暴露	BiLSTM+多任务学习	C
综合不同类型配体	DeepDISOBind	DisProt	2022	one-hot蛋白序列，相对氨基酸亲和性，二级结构，内部无序性	CNN+多任务学习	S, C