近日,，我校數(shù)學(xué)科學(xué)研究中心助理教授劉健博士與密歇根州立大學(xué)Guo-Wei Wei講席教授和博士后陳冬合作的題為TopoFormer: Multiscale Topology-enabled Structure-to-Sequence Transformer for Protein-Ligand Interaction Predictions研究成果，在人工智能領(lǐng)域頂級(jí)期刊Nature Machine Intelligence（IF:25.898）上發(fā)表,。

Nature Machine Intelligence是Nature期刊于2019年創(chuàng)立的子刊,，公認(rèn)為人工智能和機(jī)器學(xué)習(xí)領(lǐng)域的頂級(jí)國(guó)際期刊,。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(jì)算生物學(xué),、模式識(shí)別,、圖像處理和計(jì)算機(jī)視覺(jué)等多個(gè)領(lǐng)域,。2021年數(shù)據(jù)顯示,，其在“計(jì)算機(jī)科學(xué)和人工智能”類別的144個(gè)期刊中排名第一，同時(shí)在“計(jì)算機(jī)科學(xué)和跨學(xué)科應(yīng)用”類別的113個(gè)期刊中也排名第一。

該論文提出了一種創(chuàng)新的工具——TopoFormer,，結(jié)合了大語(yǔ)言模型（LLM）與多尺度拓?fù)浼夹g(shù),，用于預(yù)測(cè)蛋白質(zhì)-配體相互作用。TopoFormer的核心在于其獨(dú)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L(zhǎng)LM可處理的拓?fù)洳蛔兞亢屯咝螤钚蛄校瑥亩蹲讲煌臻g尺度上的關(guān)鍵相互作用,。TopoFormer在評(píng)分,、排序、對(duì)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(tuán)隊(duì)在多個(gè)基準(zhǔn)數(shù)據(jù)集上驗(yàn)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(shì),。這項(xiàng)研究不僅展示了TopoFormer在蛋白質(zhì)-配體相互作用預(yù)測(cè)中的強(qiáng)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)用提供了新的思路。

此項(xiàng)研究工作得到了學(xué)?？茖W(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,。

論文截圖

拓?fù)浯笳Z(yǔ)言模型示意圖