基于图神经网络的固定骨架蛋白质设计方法研究

针对图神经网络(GNN)ProteinSolver结构特征约束不充分的问题，增加了骨架二面角、配对氨基酸的相对位置编码和相对方向等结构约束，提出了一种基于GNN的固定骨架蛋白质设计方法。实现了基于Transformer多头注意力机制的GNN架构，将物理坐标添加到消息传递和更新步骤中，提高了原子坐标的等变特性。在CATH数据集上的训练和测试结果显示：该文模型平均困惑度为8.12,比ProteinSolver的平均困惑度8.97降低了0.85;在掩盖率为50%时，ProteinSolver的恢复率为28.7%;然后，增加更多的结构约束，恢复率达到了30.3%;随后，将ProteinSolver的GNN替换成基于Transformer的GNN,恢复率达到了34.3%;最后，通过再引入等变特性，恢复率进一步提高到35.0%。