
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种SE(3)等变且具有动态特性的多模态引擎,从PTM(点预测)技术逐步发展到对网络结构的深入理解
《Communications Chemistry》:An SE(3)-equivariant and dynamic multi-modal engine advancing from PTM site prediction to network understanding
【字体: 大 中 小 】 时间:2026年05月13日 来源:Communications Chemistry 6.2
编辑推荐:
摘要蛋白质翻译后修饰(PTMs)调控着复杂的细胞过程,然而目前的计算方法主要将它们视为孤立的序列事件来处理。这种简化性的方法,加上无法模拟三维空间结构约束以及长尾数据的稀缺性,掩盖了PTM网络之间的协同作用。在这里,我们介绍了ProteinNexus这一多模态深度学习框架,旨在弥
蛋白质翻译后修饰(PTMs)调控着复杂的细胞过程,然而目前的计算方法主要将它们视为孤立的序列事件来处理。这种简化性的方法,加上无法模拟三维空间结构约束以及长尾数据的稀缺性,掩盖了PTM网络之间的协同作用。在这里,我们介绍了ProteinNexus这一多模态深度学习框架,旨在弥合局部位点预测与全局网络理解之间的差距。通过动态结合进化序列数据与基于物理原理的等变图神经网络,ProteinNexus能够精确捕捉修饰位点的三维微环境。结合强化学习驱动的专业化策略,该框架有效模拟了10种不同类型PTM之间的相互作用,其预测准确性比现有最先进方法高出7.5%(基于马修斯相关系数计算)。除了更出色的预测能力外,计算机模拟实验和进化分析还表明,ProteinNexus能够成功解析PTMs的协同动态,提供了一种可泛化且具有结构感知能力的计算工具,用于揭示蛋白质组的调控机制。