蛋白質相互作用（PPI）可以說是人體最重要的分子事件之一，事關人體生長發(fā)育、新陳代謝，是疾病治療干預的重要來源，PPI失調會導致癌癥等疾病發(fā)生，因而該領域也是醫(yī)藥行業(yè)關注的研究熱點。

為了更好地預測和解讀PPI，并深入挖掘相關分子信息，2023年3月，騰訊 AI Lab 聯合香港科技大學、中國科學院大學相關團隊，將深度學習領域的層次圖學習技術引入PPI研究，提出了一種雙視圖層次圖學習模型（HIGH-PPI），模型被證明在PPI研究中具有更高的預測準確性和更好的可解釋性，研究成果在知名國際學術期刊《自然-通訊》（Nature Communications）發(fā)表。

人類蛋白質組學數據分析表明，人體的PPI網絡涉及約65萬個相關接觸位點。處理這樣量級的數據，人工智能的效率要明顯高于人類，相關技術引入可以更加高效、準確地幫助人們找出重要信息，促進靶向藥物的開發(fā)和癌癥等疾病的治療。

圖：蛋白質結構和網絡結構都對PPI的準確預測至關重要。（a）蛋白質序列通常能提供關于PPI的細節(jié)信息，但它也可能導致PPI的預測準確性降低，例如不具備序列相似性的兩個蛋白質（SERPINA1、3）可能和同一蛋白質（ELANE）在相同作用界面發(fā)生PPI；（b）包含網絡結構信息的PPI，將蛋白質區(qū)分為不同的社區(qū)，社區(qū)內的蛋白質之間存在密集的交互，而社區(qū)之間通常只有微弱的連結；（c）HIGH-PPI具備雙視圖層次，頂視圖包含網絡結構信息，底視圖包含蛋白質結構信息。

這項研究是騰訊 AI Lab 對PPI層次問題建模的首次嘗試，得到了審稿人的高度評價，被視為生物信息領域一項富有潛力的創(chuàng)新貢獻，文章也得到了學界的認可，被選入《自然-通訊》年度編輯精選文章合集。

HIGH-PPI模型是騰訊在AI+生命科學研究領域的最新研究成果，此前，團隊在蛋白質相關的藥物發(fā)現領域已經取得諸多領先成果，發(fā)表多項關于蛋白質結構-功能關系研究的文章，如蛋白質高精度結構模型、疾病分類、蛋白動力學建模以及蛋白質組學數據等。

長期以來，騰訊 AI Lab 致力于推動AI技術與各行業(yè)的結合，在研究與應用并重發(fā)展的策略下，騰訊AI Lab關注機器學習、計算機視覺、語音技術及自然語言處理四大方向，持續(xù)探索AI在工業(yè)、農業(yè)、醫(yī)療、醫(yī)藥、生命科學等領域的研究應用。

雷峰網(公眾號：雷峰網)

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。