报告题目：基于深度学习的同源二聚体蛋白质-蛋白质接触预测
报告人：黄胜友 教授
报告时间：2022年4月8日（周五）15：00
报告地点：腾讯会议：119-913-154
报告对象：电气学院相关专业本科生、研究生、教师
主办单位：beat365
报告人简介：
黄胜友，华中科技大学物理学院教授、博导，1998年获武汉大学物理学学士学位，2003年获武汉大学理学博士学位，2015年加入华中科技大学物理学院，聘为教授。长期从事蛋白质-蛋白质复合物结构预测、生物信息学与计算机药物设计方面的研究，在Nature Protocols， PNAS，Nucleic Acids Research，Bioinformatics，Drug Discovery Today等国际一流期刊上发表论文100余篇，其中第一和通讯作者60余篇，文章总引用5000余次。所提出的集合分子对接算法和迭代打分函数模型被国际同行广泛采用，发展的蛋白质-蛋白质对接算法和打分函数模型在国际蛋白质相互作用预测CAPRI权威评测中多次排名第一。入选海外高层次青年人才引进计划，获全国百篇优秀博士论文、中国老员工“五四”奖、湖北省自然科学一等奖、湖北省优秀博士论文等多项奖励或荣誉。
报告内容：
蛋白质是生命体中最重要的生物大分子之一，其相互作用在生命活动中发挥着重要作用，因此，确定生命体中蛋白质-蛋白质间的相互作用及其复合物结构，对于理解生命活动的分子机制和揭示疾病的发生发展机理至关重要。得益于深度学习在蛋白质结构预测中的快速发展，深度学习模型如AlphaFold在蛋白质结构预测中取得了重要突破，然而，由于蛋白质-蛋白质复合物结构数据的样本不足，目前深度学习模型仍然无法解决蛋白质-蛋白质复合物结构的预测问题。最近，我们发展的一套基于多序列比对Transformer算法的同源二聚体链蛋白质-蛋白质残基接触预测深度学习模型，即DeepHomo2.0。通过整合序列共进化特征（DCA），Transformer特征，以及单体蛋白的三维结构特征，我们的DeepHomo2.0方法预测精度相对之前DeepHomo1.0版本得到了很大提升，并明显优于同类其它方法。当考虑前10对预测时，我们的DeepHomo2.0模型在基于实验结构的测试集上取得了大于70%的预测精度，在基于预测结构的测试集上取得了大于60%的预测精度，我们的序列版本也获得了大于55%的预测精度。此外，基于DeepHomo2.0预测的残基接触也可以明显提升相应蛋白质-蛋白质复合物结构预测的成功率。
