Proteine sind essenzielle strukturelle Moleküle, die in biologischen Geweben und Zellen vorkommen und die Hauptträger lebenswichtiger Aktivitäten sind. Die Funktion von Proteinen zu verstehen, ist sowohl für die Biologie als auch für die Medizin und Pharmazie wichtig. Traditionelle experimentelle Methoden erfordern viel Ressourcen und Zeit, um Proteinfunktionen zu bestimmen. Angesichts der großen Menge an Proteinsequenzdaten erfordert die Entwicklung von rechnerischen Methoden, um Proteinfunktionen zu annotieren, schnelle Fortschritte.
Gene Ontology (GO), eine Ontologie vom DAG-Typ, wird weit verbreitet in der Bioinformatik verwendet, um biologische Konzepte zu beschreiben. Um Proteinfunktionen vorherzusagen, haben Forscher Algorithmen, Tools und Systeme entwickelt, die fortgeschrittene Technologien wie maschinelles Lernen und tiefe neuronale Netze nutzen. Diese Modelle zeigen herausragende Leistung in der Proteinfunrkionsvorhersage und werden kontinuierlich optimiert.
Die Aminosäuresequenz ist entscheidend für das Verständnis und die Analyse von Proteinen verschiedener Arten. Sequenzhomologie-basierte BLAST-Methoden haben sich als wettbewerbsfähig in der Proteinfunrnktionsvorhersage erwiesen. Darüber hinaus spielen Proteinsequenzinformationen sowie Protein-Protein-Interaktionsnetzwerke eine wichtige Rolle für die Vorhersage von Proteinfunktionen. Die Rolle von Protein-Domänen bei der Protein-funktionsvorhersage wird ebenfalls zunehmend erforscht und hat gezeigt, dass die Einbeziehung von umfassenden domänenbasierten Informationen die Vorhersagegenauigkeit verbessern kann.
In dieser Studie wurde ein integriertes tiefes Lernmodell basierend auf Proteinsequenzen, Protein-Domäneninhalten und bekannten Protein-Protein-Interaktionsnetzwerken entwickelt, um Proteinfunktionen vorherzusagen. Das Modell zeigt stabile und zuverlässige Ergebnisse in der Proteinfunrnktionsvorhersage und hat im Vergleich zu anderen Methoden herausragende Leistung gezeigt. Es verdeutlicht die Bedeutung der Integration von Protein-Domäneninformationen in die Vorhersage von Proteinfunktionen und ihre starken Auswirkungen auf die Genauigkeit der GO-Term-Angebote für Proteine.