論文の概要: PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs

• arxiv url: http://arxiv.org/abs/2507.05101v1
• Date: Mon, 07 Jul 2025 15:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.474659
• Title: PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs
• Title（参考訳）: PRING:タンパク質とタンパク質の相互作用予測をペアからグラフに再考
• Authors: Xinzhe Zheng, Hao Du, Fanding Xu, Jinzhe Li, Zhiyuan Liu, Wenkang Wang, Tao Chen, Wanli Ouyang, Stan Z. Li, Yan Lu, Nanqing Dong, Yang Zhang,
• Abstract要約: PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
• 参考スコア（独自算出の注目度）: 80.08310253195144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based computational methods have achieved promising results in predicting protein-protein interactions (PPIs). However, existing benchmarks predominantly focus on isolated pairwise evaluations, overlooking a model's capability to reconstruct biologically meaningful PPI networks, which is crucial for biology research. To address this gap, we introduce PRING, the first comprehensive benchmark that evaluates protein-protein interaction prediction from a graph-level perspective. PRING curates a high-quality, multi-species PPI network dataset comprising 21,484 proteins and 186,818 interactions, with well-designed strategies to address both data redundancy and leakage. Building on this golden-standard dataset, we establish two complementary evaluation paradigms: (1) topology-oriented tasks, which assess intra and cross-species PPI network construction, and (2) function-oriented tasks, including protein complex pathway prediction, GO module analysis, and essential protein justification. These evaluations not only reflect the model's capability to understand the network topology but also facilitate protein function annotation, biological module detection, and even disease mechanism analysis. Extensive experiments on four representative model categories, consisting of sequence similarity-based, naive sequence-based, protein language model-based, and structure-based approaches, demonstrate that current PPI models have potential limitations in recovering both structural and functional properties of PPI networks, highlighting the gap in supporting real-world biological applications. We believe PRING provides a reliable platform to guide the development of more effective PPI prediction models for the community. The dataset and source code of PRING are available at https://github.com/SophieSarceau/PRING.
• Abstract（参考訳）: 深層学習に基づく計算手法はタンパク質-タンパク質相互作用(PPI)の予測において有望な結果を得た。 しかし、既存のベンチマークは主に、生物学的に意味のあるPPIネットワークを再構築するモデルの能力を見越して、孤立したペアワイズ評価に焦点を当てている。 このギャップに対処するために,タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初の包括的なベンチマークであるPRINGを紹介する。 PRINGは、21,484のタンパク質と186,818の相互作用からなる高品質で多種多様なPPIネットワークデータセットをキュレートする。 本研究は,(1)PPIネットワーク構築の種内および種間評価を行うトポロジ指向タスクと,(2)タンパク質複合体経路予測,GOモジュール解析,必須タンパク質正当性を含む機能指向タスクの2つの相補的評価パラダイムを構築した。 これらの評価は、ネットワークトポロジを理解するモデルの能力を反映するだけでなく、タンパク質機能アノテーション、生物学的モジュール検出、さらには疾患機構の解析も促進する。 配列類似性に基づく、単純配列に基づく、タンパク質言語に基づく、構造に基づくアプローチからなる4つの代表的なモデルカテゴリに関する広範な実験は、現在のPPIモデルがPPIネットワークの構造的特性と機能的特性の両方を回復するのに潜在的に制限があることを示し、現実世界の生物学的応用をサポートするギャップを浮き彫りにしている。 PRINGはコミュニティのためにより効果的なPPI予測モデルの開発をガイドする信頼性の高いプラットフォームを提供すると考えている。 PRINGのデータセットとソースコードはhttps://github.com/SophieSarceau/PRING.comで公開されている。

関連論文リスト

• Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms [2.399426243085768]
  タンパク質間相互作用予測のための階層的コントラストフレームワークであるHIPPOを提案する。 提案手法は、タンパク質の機能クラス間の構造的関係をエミュレートする階層的コントラスト損失関数を含む。 ベンチマークデータセットの実験では、HIPPOが最先端のパフォーマンスを達成し、既存のメソッドを上回り、低データのレシエーションにおいて堅牢性を示すことが示されている。
  論文  参考訳（メタデータ） (2025-07-03T15:41:04Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction [0.2509487459755192]
  タンパク質とタンパク質の相互作用 (PPIs) は、多くの細胞プロセスの基礎である。 PLMはタンパク質の構造と機能を予測するのに顕著な成功を収めた。 シークエンスベースのPPI結合親和性予測への応用は、いまだに未検討である。
  論文  参考訳（メタデータ） (2025-05-26T14:23:08Z)
• The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks [16.396309363020908]
  複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、生物学的プロセスの復号に不可欠である。 署名されたPPIネットワークに対して,S2-SPM(Signed Two-Space Proximity Model)を提案する。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。
  論文  参考訳（メタデータ） (2025-03-05T21:08:58Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• CoGANPPIS: A Coevolution-enhanced Global Attention Neural Network for Protein-Protein Interaction Site Prediction [0.9217021281095907]
  PPI予測のためのシーケンスベースディープラーニングモデルである,共進化型グローバルアテンションニューラルネットワークを提案する。 CoGANPPISは特徴抽出に3つの層を並列に利用する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-13T09:27:34Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。