論文の概要: Inferred global dense residue transition graphs from primary structure sequences enable protein interaction prediction via directed graph convolutional neural networks

• arxiv url: http://arxiv.org/abs/2510.14139v1
• Date: Wed, 15 Oct 2025 22:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.641741
• Title: Inferred global dense residue transition graphs from primary structure sequences enable protein interaction prediction via directed graph convolutional neural networks
• Title（参考訳）: 一次構造配列から推定された大域的高密度残基遷移グラフは、有向グラフ畳み込みニューラルネットワークによるタンパク質相互作用予測を可能にする
• Authors: Islam Akef Ebeid, Haoteng Tang, Pengfei Gu,
• Abstract要約: タンパク質-タンパク質相互作用(PPI)の正確な予測は、細胞機能を理解し、薬物開発を促進するために重要である。 タンパク質言語モデル(PLMs)からの直接配列埋め込みを用いた既存のin-silico法 また、3Dタンパク質構造にグラフニューラルネットワーク(GNN)を使用するものもある。 本稿では,リンク予測による下流PPI予測のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.719135068309479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Introduction Accurate prediction of protein-protein interactions (PPIs) is crucial for understanding cellular functions and advancing drug development. Existing in-silico methods use direct sequence embeddings from Protein Language Models (PLMs). Others use Graph Neural Networks (GNNs) for 3D protein structures. This study explores less computationally intensive alternatives. We introduce a novel framework for downstream PPI prediction through link prediction. Methods We introduce a two-stage graph representation learning framework, ProtGram-DirectGCN. First, we developed ProtGram. This approach models a protein's primary structure as a hierarchy of globally inferred n-gram graphs. In these graphs, residue transition probabilities define edge weights. Each edge connects a pair of residues in a directed graph. The probabilities are aggregated from a large corpus of sequences. Second, we propose DirectGCN, a custom directed graph convolutional neural network. This model features a unique convolutional layer. It processes information through separate path-specific transformations: incoming, outgoing, and undirected. A shared transformation is also applied. These paths are combined via a learnable gating mechanism. We apply DirectGCN to ProtGram graphs to learn residue-level embeddings. These embeddings are pooled via attention to generate protein-level embeddings for prediction. Results We first established the efficacy of DirectGCN on standard node classification benchmarks. Its performance matches established methods on general datasets. The model excels at complex, directed graphs with dense, heterophilic structures. When applied to PPI prediction, the full ProtGram-DirectGCN framework delivers robust predictive power. This strong performance holds even with limited training data.
• Abstract（参考訳）: タンパク質-タンパク質相互作用(PPI)の正確な予測は、細胞機能を理解し、薬物開発を促進するために重要である。 既存のin-silico法では、タンパク質言語モデル(PLM)からの直接配列埋め込みを使用している。 また、3Dタンパク質構造にグラフニューラルネットワーク(GNN)を使用するものもある。 本研究は、計算集約的な選択肢の少ない方法を探究する。 本稿では,リンク予測による下流PPI予測のための新しいフレームワークを提案する。 方法 グラフ表現学習フレームワークProtGram-DirectGCNを導入する。 まず、ProtGramを開発しました。 このアプローチは、タンパク質の一次構造を、大域的に推論されたn-gramグラフの階層としてモデル化する。 これらのグラフでは、残留遷移確率はエッジウェイトを定義する。 各エッジは、有向グラフ内の残基のペアを接続する。 確率は、配列の大きなコーパスから集約される。 次に、カスタム指向グラフ畳み込みニューラルネットワークであるDirectGCNを提案する。 このモデルはユニークな畳み込み層を特徴としている。 情報処理は、入力、出力、および非ダイレクトという、別々のパス固有の変換を通じて行われる。 共有変換も適用される。 これらの経路は学習可能なゲーティング機構を介して結合される。 残差レベルの埋め込みを学習するために、DirectGCNをProtGramグラフに適用する。 これらの埋め込みは、予測のためのタンパク質レベルの埋め込みを生成するために注意を通してプールされる。 その結果,標準ノード分類ベンチマークにおけるDirectGCNの有効性を最初に確立した。 その性能は一般的なデータセット上で確立された手法と一致した。 このモデルは、密度の高いヘテロ親和性構造を持つ複素有向グラフにおいて排他的である。 PPI予測に適用すると、完全なProtGram-DirectGCNフレームワークが堅牢な予測能力を提供します。 この強力なパフォーマンスは、限られたトレーニングデータでも維持されます。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks [2.5889737226898437]
  グラフニューラルネットワーク(GNN)は、ディープラーニングをグラフ構造データセットに拡張する。 画像予測に使用する畳み込みニューラルネットワーク(CNN)と同様に、畳み込み層とプーリング層がグラフ予測タスクにおけるGNNの成功の基礎となっている。
  論文  参考訳（メタデータ） (2023-02-26T20:05:23Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
  属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。 GIPAは3つの重要なコンポーネントで構成されている。 Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
  論文  参考訳（メタデータ） (2021-05-13T01:50:43Z)
• Hierarchical Protein Function Prediction with Tail-GNNs [0.4588028371034407]
  マルチタスク予測のために,任意のニューラルネットワークの出力空間を構成するニューラルネットワークであるTail-GNNを提案する。 タンパク質機能の予測には、Tail-GNNとタンパク質配列の表現を学習する拡張畳み込みネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2020-07-24T23:38:41Z)
• Path Integral Based Convolution and Pooling for Graph Neural Networks [12.801534458657592]
  グラフの分類と回帰処理のための経路積分に基づくグラフニューラルネットワーク(PAN)を提案する。 PANは、さまざまなサイズと構造を持つ異なるグラフデータ用に調整可能な、汎用的なフレームワークを提供する。 実験結果から,PANは様々なグラフ分類/回帰タスクにおいて最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-06-29T16:20:33Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。