【Briefings in Bioinformatics】四篇好文简读-专题29

一

论文题目：

BERT6mA: prediction of DNA N6-methyladenine site using deep learning-based approaches 论文摘要：

N6-甲基腺嘌呤（6mA）与DNA复制、修复、转录、基因表达调控有关，一些实验方法可以识别DNA修饰，但这些实验方法成本高且耗时长。为了检测6mA并补充这些实验方法的不足，作者提出了一种新的方法，称为BERT6mA。为了比较BERT6mA与其他深度学习方法，作者使用了11个物种的基准数据集。在测试中，BERT6mA在八个物种中呈现出最高的AUC。此外，BERT6mA显示出更高的性能，与最先进的模型相当，而BERT6mA在样本量较小的几个物种中表现不佳。为了克服这个问题，作者对BERT6mA进行了两个物种之间的预训练和微调。对特定物种进行预训练和微调的模型呈现出比其他模型更高的性能，即使对于样本量小的物种也是如此。除了预测之外，作者还分析了BERT6mA的注意权重，以揭示BERT6mA模型如何提取与6mA预测的关键特征。

论文链接：

https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbac053/6539171?redirectedFrom=fulltext Github链接：

https://github.com/kuratahiroyuki/BERT6mA.git

二

论文题目：

Identifying drug–target interactions via heterogeneous graph attention networks combined with cross-modal similarities 论文摘要：

准确识别药物-靶标相互作用(DTI)在药物发现中起着至关重要的作用。与传统的费时费力的实验方法相比，近年来深度学习方法越来越受欢迎。传统的计算方法几乎只是简单地查看整合了不同药物相关和靶标相关数据集的异构网络，而不是完全探索药物和靶标的相似性。文章提出了一种新的方法，命名为DTIHNC，用于药物-靶标相互作用的识别，该方法集成了异构网络和通过药物、蛋白质、疾病和副作用之间的关系计算的跨模态相似性。首先，通过去噪自动编码器从原始特征中提取药物、蛋白质、疾病和副作用的低维特征。然后构建一个跨药物、蛋白质、疾病和副作用节点的异构网络。在异构网络中，利用异构图关注操作来根据其邻居的信息更新节点的嵌入，对于多个邻居信息，文章提出了具有重启感知图关注的随机行走来通过更大的邻居区域整合更多的信息。接下来，从药物、蛋白质、疾病和副作用之间的跨尺度关系计算跨模态药物和蛋白质的相似性。最后，一个多层卷积神经网络将药物和蛋白质的相似性信息与异构图注意网络获得的嵌入特征深度融合。实验证明了它的有效性和优于现有方法的性能。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbac016/6537345 Github链接：

https://github.com/ningq669/DTIHNC

三

论文题目：

Persistent spectral based ensemble learning (PerSpect-EL) for protein–protein binding affinity prediction 论文摘要：

蛋白质与蛋白质的相互作用（PPI）在几乎所有的细胞和生物活动中发挥着重要作用。数据驱动的机器学习模型在PPI方面表现出巨大的潜力。然而，分子特征化设计对所有用于PPI的学习模型构成了巨大挑战。在此，作者首次提出了基于持续谱（PerSpect）的PPI表示和特征化，以及基于PerSpect的集成学习（PerSpect-EL）模型，用于PPI结合亲和力预测。在模型中，各种不同尺度的Hodge Laplacian（HL）矩阵序列由一个专门设计的过滤过程产生。PerSpect属性是来自这些HL矩阵的谱信息的统计和组合。每个PerSpect属性被输入一个一维卷积神经网络（CNN），这些CNN网络在基于PerSpect的集成学习模型中被堆叠在一起。作者在两个最常用的数据集上系统地测试了模型，即SKEMPI和AB-Bind。结果发现，该模型可以达到最先进的结果，并且在所知的范围内超过了现有的模型。

论文链接：

https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbac024/6533501?redirectedFrom=fulltext

四

论文题目：

ABC-Net: a divide-and-conquer based deep learning architecture for SMILES recognition from molecular images 论文摘要：

在大多数文献中，化合物的结构信息往往是由图像描述的，但这些图像不容易被计算机理解。在本文中，作者开发了一个名为ABC-Net的深度神经网络模型来直接预测图结构。基于分而治之的原则，作者提出将原子或键建模为中心的一个点。这样就可以利用卷积神经网络（CNN）生成一系列图来识别这些点，并预测相关属性，如原子类型、原子电荷、键的类型和其他属性。实验中通过拼接检测到的原子和键来重新构造分子结构，将属性预测任务整合到一个可扩展的CNN中，这样便能够有效地处理分子图像。实验结果表明，与公开可用的工具相比，该方法可以实现识别性能的显著提高。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbac033/6535678 Github链接：

https://github.com/zhangxuan1314/ABC-Net