arXiv cs.AI· Jae Won Choi, Ryoonki Hong, Alan Liang, Manjula Adiveppa Wader, Bingsong Zeng, Peiyang Tang, Longwei Liu, Ruishan Liu·· 14 小时前AI 评分31
PIT-GCL：用拓扑图对比学习预测蛋白质相互作用
PIT-GCL: Protein Interaction using Topological Graph Contrastive Learning
AI 导读
PIT-GCL 是一个双塔结构感知框架，从氨基酸序列、Cα 点云和全局持久同调描述符独立编码每个蛋白质，并用结构感知 Transformer 与双向交叉注意力完成潜在空间软对接。
正文 · AI 翻译
摘要：蛋白质结合预测是靶点识别、治疗性结合剂设计和大规模筛选的核心，但仍具挑战性，因为结合取决于序列、三维几何和全局结构组织。近期的折叠模型如 AlphaFold3 和 Boltz-2 已大幅提升结构预测能力，但其置信度输出（pLDDT、pTM、ipTM）并非专为二分类结合预测而设计，而专门的结构感知预测器往往需要结合复合物结构，这在筛选规模下无法获得。我们提出 PIT-GCL，一种双塔结构感知框架，从每个蛋白质的氨基酸序列、C{\alpha} 点云和全局持久同调描述符独立编码每个蛋白质。每个塔将残基 ESM-2 嵌入与由 Vietoris-Rips 过滤的 H0 和 H1 持久景观计算得到的拓扑摘要相结合，并用结构感知 Transformer 处理所得 token，其中成对 C{\alpha} 距离作为学习到的注意力偏置输入。随后双向交叉注意力模块在两个蛋白质表示之间执行潜在空间软对接，模型以二元交叉熵和 NT-Xent 对比目标联合训练。在三个二元相互作用预测基准上——PPIRef 上的通用 PPI、STAG 上的 TCRpMHC 结合以及 PPB-Affinity 上的整链对——PIT-GCL 在我们的评估下于通用 PPI 上优于代表性的基于序列、结构感知和任务特定基线，并且是 PPB-Affinity 上唯一高于随机水平的方法；在 TCR-pMHC 上，它在固定决策阈值下领先，但被任务特定的序列模型超越。由于每个蛋白质在第一阶段独立编码，其表示可以预计算并在候选对之间复用，这便于大规模筛选。
| 评论： | 12页，6图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.04850 [cs.LG] |
| （或 arXiv:2610.04850v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.04850 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jae Choi [查看邮箱]
[v1]
2026年10月4日周日 01:30:42 UTC（113 KB）
[v2]
2026年10月6日周二 21:57:50 UTC（113 KB）
[v3]
2026年10月25日周日 02:23:04 UTC（113 KB）
来源：arXiv cs.AI · arxiv.org