欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

基于图神经网络的蛋白质相互作用预测入门

上邦 AI 工程团队2026-10-11阅读 约 9 分钟
蛋白质相互作用预测是药物靶点发现与重定位的基础环节。本文给出基于图神经网络(GNN)的PPI预测入门方案:以STRING数据库构建蛋白互作图,用图卷积网络编码节点拓扑特征,预测未知互作边。附PyTorch Geometric可复现代码,并说明湿实验验证的必要性。
蛋白质相互作用(PPI)预测是发现药物靶点、理解疾病机制的基础环节。实验手段通量有限,计算预测可大规模补全未知互作。本文给出基于图神经网络(GNN)的PPI预测入门方案:把蛋白当作节点、已知互作当作边,训练模型预测缺失边。

一、数据从哪来

STRING数据库整合实验、文本挖掘与同源预测等多维证据,给出每条互作的置信度评分,覆盖上万物种,是构建PPI图最常用的公开来源。腾讯AI Lab提出的HIGH-PPI进一步证明,引入蛋白三维与图结构信息可显著提升预测准确率与可解释性。

二、建模思路

构图:以蛋白为节点,STRING置信度高于阈值的互作为边,得到无向图。
编码:用图卷积网络聚合邻居特征,得到每个节点的拓扑感知表征。
预测:对节点对计算相似度或接分类头,输出二者存在互作的概率。

三、可复现代码

import torch
from torch_geometric.nn import GCNConv

class PPIGNN(torch.nn.Module):
    def __init__(self, dim):
        super().__init__()
        self.c1 = GCNConv(dim, 64)
        self.c2 = GCNConv(64, 32)
    def forward(self, x, edge_index):
        x = self.c1(x, edge_index).relu()
        x = self.c2(x, edge_index)
        return x

# x: 节点特征矩阵; edge_index: [2, E] 已知互作边
# 预测节点对(i,j)互作:cos = (h[i] * h[j]).sum() 经Sigmoid得概率
print('PPI GNN backbone ready')
计算预测不能替代实验。GNN给出的候选互作须回到湿实验(如酵母双杂交、亲和纯化质谱)验证,方可作为靶点依据;模型应保留可解释性,便于设计验证实验。

参考来源

STRING 蛋白质相互作用数据库 - STRING 官方网站(string-db.org)
HIGH-PPI:基于图结构的蛋白质相互作用预测(腾讯AI Lab,Nature子刊,2023)
PyTorch Geometric 官方文档 - PyTorch Geometric 网站
相关标签:蛋白质互作图神经网络药物靶点STRING计算预测

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案