PT-PPI

В репозитории представлен код PT-PPI — геометрического deep learning-фреймворка для предсказания взаимодействий белок–белок. Модель использует поверхностную геометрию белков и их аминокислотные последовательности. Поверхность каждого белка представляется в виде ориентированного точечного облака с химическими и геометрическими признаками, а последовательность кодируется эмбеддингами языковой модели ProstT5. Ключевая особенность PT-PPI — способ построения графа по поверхности белка. Вместо классических схем с порогом по расстоянию или k-ближайшими соседями авторы применяют метод Spherical Convex Hull (SCHull), который без подбора гиперпараметров строит разреженный, но хорошо связный геометрический граф. Узлы такого графа проходят через сеть типа Point Transformer, где учитываются как локальные, так и глобальные пространственные отношения, после чего полученные представления объединяются с последовательностными эмбеддингами пары белков и подаются в финальный предсказатель взаимодействия. На датасете PINDER PT-PPI достигает точности и полноты на уровне современных state-of-the-art-моделей и превосходит конкурирующие подходы, такие как последовательностный D-SCRIPT, графовые GCN и GAT, модель Struct2Graph, а также гибридные архитектуры вроде SpatialPPIv2. Отдельные эксперименты показывают, что замена SCHull на стандартные способы построения графа приводит к заметному падению F1-меры и полноты, что подчёркивает важность правильного геометрического представления поверхности белка. Работа будет интересна специалистам по биоинформатике, структурной биологии и разработчикам методов геометрического глубокого обучения, которые используют информацию о форме и химии белков для предсказания их взаимодействий.

статья | код