近日，重慶理工大學(xué)數(shù)學(xué)科學(xué)研究中心助理教授劉健與密歇根州立大學(xué)講席教授Guo-Wei Wei和博士后陳冬合作的研究成果《TopoFormer: Multiscale Topology-enabled Structure-to-Sequence Transformer for Protein-Ligand Interaction Predictions》，在人工智能領(lǐng)域頂級期刊Nature Machine Intelligence（IF:25.898）上發(fā)表。

論文截圖。重慶理工大學(xué)供圖

該論文提出了一種創(chuàng)新的工具——TopoFormer，結(jié)合了大語言模型（LLM）與多尺度拓?fù)浼夹g(shù)，用于預(yù)測蛋白質(zhì)-配體相互作用。TopoFormer的核心在于其獨特的拓?fù)浞椒?，即持續(xù)拓?fù)涑瑘D拉普拉斯（PTHL）技術(shù)。PTHL技術(shù)能夠?qū)?fù)雜的3D蛋白質(zhì)-配體復(fù)合物轉(zhuǎn)換為LLM可處理的拓?fù)洳蛔兞亢屯咝螤钚蛄?，從而捕捉不同空間尺度上的關(guān)鍵相互作用。

TopoFormer在評分、排序、對接和篩選等任務(wù)中表現(xiàn)優(yōu)異，大幅超越了傳統(tǒng)算法和最新的深度學(xué)習(xí)模型。研究團隊在多個基準(zhǔn)數(shù)據(jù)集上驗證了TopoFormer的性能，證明其在準(zhǔn)確度和效率方面具有顯著優(yōu)勢。這項研究不僅展示了TopoFormer在蛋白質(zhì)-配體相互作用預(yù)測中的強大能力，還為拓?fù)鋵W(xué)在其他結(jié)構(gòu)數(shù)據(jù)中的應(yīng)用提供了新思路。

此項研究工作得到了重慶理工大學(xué)科學(xué)技術(shù)研究院、理學(xué)院、數(shù)學(xué)科學(xué)研究中心的支持。

拓?fù)浯笳Z言模型示意圖。重慶理工大學(xué)供圖

據(jù)了解，Nature Machine Intelligence是Nature期刊于2019年創(chuàng)立的子刊。該期刊在影響因子（Impact Factor）和谷歌指數(shù)（H-Index）方面均列前茅，覆蓋計算生物學(xué)、模式識別、圖像處理和計算機視覺等多個領(lǐng)域。（晏紅霞、謝挺）

分享讓更多人看到