[1] BARABáSI A L,GULBAHCE N,LOSCALZO J.网络医学:基于网络的人类疾病治疗方法[J]。《自然评论遗传学》,2011,12(1):56-68。 [2] XUAN P,SUN C,ZHANG T,等.基于梯度增强决策树的靶基因与药物相互作用预测方法[J]。遗传学前沿,2019,10:459。 [3] KISSA M,TSATSARONIS G,SCHROEDER M.通过存在谱相似性预测药物基因关联与药物重新定位的应用[J]。方法,2015,74(1):71-82。 [4] 曾旭,张旭,邹强.利用生物相互作用网络预测microRNA功能和优先排序疾病相关microRNA的综合方法[J]。生物信息简介,2016,17(2):193-203。 [5] 郑Q,王X J.GOEAST:一个基于web的基因本体丰富分析软件工具包[J]。核酸研究,2008,36(Web服务器):358-363。 [6] MI H,MURUGANUJAN A,CASAGRANDE J T,等.基于PANTHER分类系统的大尺度基因功能分析[J]。《自然议定书》,2013年,8:1551-1566。 [7] RADIVOJAC P,CLARK W T,ORON T R,等.计算蛋白质功能预测的大规模评估[J]。自然方法,2013,10(3):221-227。 [8] 周恩,姜毅,BERGQUIST T R,等。CAFA挑战报告通过实验筛选改进了数百个基因的蛋白质功能预测和新功能注释[J]。基因组生物学,2019,20:244。 [9] SHEHU A,BARBARáD,MOLLOY K。蛋白质功能预测计算方法综述[M]//基因组学中的大数据分析。查姆:斯普林格,2016:225-298。 [10] JIANG Y,ORON T R,CLARK W T,et al.蛋白质功能预测方法的扩展评估显示准确性有所提高[J]。基因组生物学,2016,17:84。 [11] 阿什伯纳M,巴尔C A,布莱克J A,等。基因本体论:生物学统一的工具[J]。自然遗传学,2000,25(1):25-29。 [12] ACENCIO M L,KUIPER M.基因本体资源:丰富金矿[J]。核酸研究,2021,49(D1):325-334。 [13] APWEILER R,BAIROCH A,WU C H,等.UniProt:2021年通用蛋白质知识库[J]。核酸研究,2021,49(D1):480-489。 [14] BLUM M,CHANG H Y,CHUGURANSKY S,等。InterPro蛋白家族和结构域数据库:20年[J]。核酸研究,2021,49(D1):344-354。 [15] 康宁汉F,艾伦J E,艾伦J,等.合奏2022[J]。核酸研究,2022,50(D1):988-995。 [16] NEEDLEMAN S B,WUNSCH C D。一种适用于搜索两种蛋白质氨基酸序列相似性的通用方法[J]。分子生物学杂志,1970,48(3):443-453。 [17] 伯曼H M,韦斯特布鲁克J,冯Z,等.蛋白质数据库[J]。核酸研究,2000,28(1):235-242。 [18] BURLEY S K,BHIKADIYA C,BI C,等.RCSB蛋白质数据库:探索生物大分子三维结构的强大新工具,用于基础生物学、生物医学、生物技术、生物工程和能源科学的基础和应用研究与教育[J]。核酸研究,2021,49(D1):437-451。 [19] DHANUKA R,TRIPATHI A,SINGH J P.基于半监督自编码的蛋白质功能预测方法[J]。IEEE生物医学与健康信息学杂志,2022,26(10):4957-4965。 [20] SARA S T,HASAN M M,AHMAD A,等.氨基酸序列图像表示的卷积神经网络在蛋白质功能预测中的应用[J]。计算生物学与化学,2021,92:107494。 [21]ELHAJ-ABDOU M E M,EL-DIB H,EL-HELW A,et al.Deep_CNN_LSTM_GO:氨基酸序列预测蛋白质功能[J]。计算生物学与化学,2021,95:107584。 [22]杜忠,贺毅,李杰,等.深度补充:基于k-mer嵌入和附加特征的蛋白质功能预测[J]。计算生物学与化学,2020,89:107379。 [23]MOSTAFA F A,AFIFY Y M,ISMAIL R M,等.蛋白质疾病分类的深度学习模型[J]。当前生物信息学,2022,17(3):245-253。 [24]李明,史伟,张飞,等.利用GO项的共现性预测蛋白质功能的深度学习框架[J]。IEEE/ACM计算生物学和生物信息学汇刊,2023,20(2):833-842。 [25]HAKALA K,KAEWPHAN S,BJORNE J,等.蛋白质功能预测中的神经网络和随机森林模型[J]。IEEE/ACM计算生物学和生物信息学汇刊,2022,19(3):1772-1781。 [26]HU G,KATUWAWALA A,WANG K,et al.flDPnn:利用无序函数的假定倾向进行准确的内在无序预测[J]。《自然通讯》,2021,12:4438。 [27]LAI B,XU J.利用预测的结构信息通过图形注意网络精确预测蛋白质功能[J]。生物信息学简报,2022,23:bbab502。 [28]TANG H,WANG Y,TANG S,等.一种有效预测蛋白质功能的随机聚类森林方法[J]。IEEE接入,2019,7:12360-12372。 [29]WU J S,HUANG S J,ZHOU Z H.通过多实例多标签学习进行全基因组蛋白质功能预测[J]。IEEE/ACM计算生物学和生物信息学汇刊,2014,11(5):891-902。 [30]刘永伟,HSU T W,CHANG C Y,等.GODoc:利用新型k近邻和投票算法进行高通量蛋白质功能预测[J]。BMC生物信息学,2020,21(S6):276。 [31]YU H,LUO X.IPPF-FE:基于融合特征和集成模型的集成肽和蛋白质功能预测框架[J]。生物信息学简报,2022,24:bbac476。 [32]KABIR A,SHEHU A.GOProFormer:一种用于基因本体蛋白质功能预测的多模态变换方法[J]。生物分子,2022,12(11):1709。 [33]夏伟,郑磊,方杰,等.PFmulDL:一种通过集成多种深度学习方法实现多类和多标签蛋白质功能注释的新策略[J]。生物与医学中的计算机,2022145:105465。 [34]米尔南的玉米蛋白质功能预测[J] 2018年第25期:27-30页。 陈永明。基于MIMLNN的玉米蛋白质功能预测[J]。现代计算机,2018(25):27-30。 [35]刘杰,汤X,关X。基于自关注机制和双向LSTM的谷物蛋白质功能预测[J]。生物信息学简报,2022,24:bbac493。 [36]范蓉,苏波,丁毅.利用超图正则化k-局部超平面距离最近邻模型识别囊泡转运蛋白[J]。遗传学前沿,2022,13:960388。 [37]龚毅,董斌,张泽,等.VTP-Identifier:基于PSSM图谱和XGBoost的囊泡转运蛋白鉴定[J]。遗传学前沿,2021,12:808856。 [38]LE N Q K,YAPP E K Y,NAGASUNDARAM N,等.利用深门控递归单元结构从序列中计算鉴定囊泡转运蛋白[J]。计算与结构生物技术杂志,2019,17:1245-1254。 [39]SEYYEDSALEHI S F,SOLEYMANI M,RABIEE H R,等.PFP-WGAN:通过发现基因本体术语与生成性对抗网络的相关性来预测蛋白质功能[J]。《公共科学图书馆·综合》,2021,16(2):e0244430。 [40]WAN C,JONES D T.通过使用生成性对抗网络创建合成特征样本来改进蛋白质功能预测[J]。《自然机器智能》,2020,2(9):540-550。 [41]KULMANOV M,HOEHNDORF R.DeepGOZero:基于本体公理从序列和零快照学习改进蛋白质功能预测[J]。生物信息学,2022,38(S1):238-245。 [42]VAN DEN BENT I,MAKRODIMITRIS S,REINDERS M.通用上下文化蛋白嵌入在跨物种蛋白质功能预测中的作用[J]。进化生物信息学,2021.DOI:10.1177/11769343211062608。 [43]GE R,FENG G,WANG P,et al.ProFPred:一种基于序列和进化信息的两步蛋白质功能预测模型[C]//2021 IEEE国际生物信息学和生物医学会议论文集,2021:1372-1376。 [44]洪J,罗毅,张毅,等.基于序列的深度学习同时提高稳定性、准确性和错误发现率的蛋白质功能注释[J]。简讯,2020,21(4):1437-1447。 [45]JOHNSON M,ZARETSKAYA I,RAYTSELIS Y,et al.NCBI BLAST:一个更好的web界面[J]。核酸研究,2008年,36(Web服务器):5-9。 [46]PATHAK A,ROY T,EDUBILLI A,et al.用氨基酸的新化学逻辑进行掩膜爆破,以改进蛋白质功能预测[J]。蛋白质,2021,89(1):922-924。 [47]BAROT M,GLIGORIJEVIC V,CHO K,et al.NetQuilt:使用同源性知情网络相似性的基于深度多谱的蛋白质功能预测[J]。生物信息学,2021,37(16):2414-2422。 [48]REIJNDERS M.Wei2GO:基于加权序列相似性的蛋白质功能预测[J]。同行杂志,2022,10:e12931。 [49]MOHAMED S K.使用多部分张量分解预测组织特异性蛋白质功能[J]。信息科学,2020508:343-357。 [50]KULMANOV M,HOEHNDORF R.DeepGOPlus:改进的序列蛋白质功能预测[J]。生物信息学,2020,36(2):422-429。 [51]SURATANE A,PLAIMAS K。基于异质网络剖面的恶性疟原虫基因功能注释的混合深度学习[J]。国际分子科学杂志,2021,22(18):10019。 [52]赵毅,王杰,郭敏,等.异步随机游走预测蛋白质功能的交叉谱[J]。IEEE/ACM计算生物学和生物信息学汇刊,2021,18(4):1439-1450。 [53]JAIN A,KIHARA D.Phylo-PFP:利用远缘相关序列的系统发育距离改进自动蛋白质功能预测[J]。生物信息学,2019,35(5):753-759。 [54]KABIR M N,WONG L.EnsembleFam:朝着更准确的蛋白质家族预测的方向发展[J]。BMC生物信息学,2022,23(1):90。 [55]RANJAN A,TIWARI A,DEEPAK A.一种基于子序列的方法,通过基于多注意的多spect网络预测蛋白质功能[J]。IEEE/ACM计算生物学和生物信息学汇刊,2021,20(1):94-105。 [56]PIOVESAN D,GIOLLO M,LEONARDI E,等.INGA:结合相互作用网络、结构域分配和序列相似性的蛋白质功能预测[J]。核酸研究,2015,43(W1):134-140。 [57]PIOVESAN D,TOSATTO S C E.INGA 2.0:改进暗蛋白质组的蛋白质功能预测[J]。核酸研究,2019,47(W1):373-378。 [58]JUMPER J,EVANS R,PRITZEL A,等.用AlphaFold进行高精度蛋白质结构预测[J]。《自然》,2021596(7873):583-589。 [59]KONDO H X,IIZUKA H,MASUMOTO G,等.利用卷积神经网络从血红素蛋白活性位点的三级结构预测蛋白质功能[J]。生物分子,2023,13(1):137。 [60]高荣,王明,周杰,等.基于三平行深度CNN和氨基酸突变的酶功能预测[J]。国际分子科学杂志,2019,20(11):2845。 [61]GIRI S J,DUTTA P,HALANI P,et al.MultiPredGO:通过融合蛋白质结构、序列和相互作用信息预测深层多模蛋白质功能[J]。IEEE生物医学与健康信息学杂志,2020,25(5):1832-1838。 [62]梁M,NIE J.基于结构关系网络的酶功能预测[J]。IEEE接入,2020,8:132360-132366。 [63]DERRY A,ALTMAN R B.COLLAPSE:蛋白质结构位点识别和表征的表征学习框架[J]。蛋白质科学,2023,32(2):e4541。 [64]KAGAYA Y,FLANNERY S T,JAIN A,等.接触PFP:利用预测的接触信息预测蛋白质功能[J]。Front Bioninform,2022,2(1):896295。 [65]格列戈里耶夫?五、 RENFREW P D,KOSCIOLEK T,等.基于图卷积网络的蛋白质功能预测[J]。《自然通讯》,2021,12:3168。 [66]MA W,ZHANG S,LI Z,et al.利用AlphaFold预测的蛋白质结构增强蛋白质功能预测性能[J]。化学信息与建模杂志,2022,62(17):4008-4017。 [67]邱晓英,吴华,邵J.TALE-cmap:基于TALE架构的蛋白质功能预测和接触图的结构信息[J]。生物与医学中的计算机,2022149:105938。 [68]JULIAN A T,DOS SANTOS A C M,POMBERT J F.3DFI:利用结构同源性推断蛋白质功能的管道[J]。生物信息学进展,2021,1(1):vbab030。 [69]LI S,CAI C,GONG J,et al.一种用于全蛋白功能预测和药物重组的快速蛋白质结合位点比较算法[J]。蛋白质:结构、功能和生物信息学,2021,89(11):1541-1556。 [70]HU S,ZHANG Z,XIONG H,等.基于张量的蛋白质功能预测双随机游动模型[J]。BMC生物信息学,2022,23(1):199。 [71]赵斌,张泽,姜敏,等.NPF:蛋白质功能预测的网络传播[J]。BMC生物信息学,2020,21(1):355。 [72] 李鹏,闵慧,罗爱静,等.改进的动态PPI公司网络构建与蛋白质功能预测算法[J] 《工程》,2020,46(12):52-59。 李平,MIN H,LUO A J,等。改进的动态PPI网络构建和蛋白质功能预测算法[J]。计算机工程,2020,46(12):52-59。 [73]法新社树的蛋白质功能预测算法研究[J] .中国科学院学报,2018,6(1):17-19。 GE L X.基于FP树的蛋白质功能预测算法研究[J]。现代计算机,2018,6(1):17-19。 [74]LAZARSFELD J,RODRíGUEZ J,ERDEN M,等.多数投票级联:一种改进蛋白质功能预测的半监督框架[J]。IEEE/ACM计算生物学和生物信息学汇刊,2019,19(4):51-60。 [75]曹M,张华,朴J,等.蛋白质功能预测的距离:蛋白质相互作用网络的一种新距离度量[J]。公共科学图书馆·综合》,2013,8(10):e76339。 [76]彭伟,杜杰,李磊,等.利用非负矩阵分解和多网络协同调节预测蛋白质功能[J]。国际数据挖掘和生物信息学杂志,2020,23(4):318-342。 [77]PATHAK A,JAYARAM B.Seq2Enz:应用掩码BLAST方法和氨基酸的新化学逻辑来改进酶功能预测[J]。生物化学与生物物理学报:蛋白质与蛋白质组学,20221870:140721。 [78]NALLAPAREDDY V,BOGAM S,DEVARAKONDA H,et al.DeepCys:基于结构的基于深度神经网络训练的多半胱氨酸功能预测方法:COX2域未知功能域的案例研究[J]。蛋白质:结构、功能和生物信息学,2021,89(7):745-761。 [79]蔡毅,王杰,邓L.SDN2GO:蛋白质功能预测的综合深度学习模型[J]。生物工程和生物技术前沿,2020,8:391。 [80]BIRóB,ZHAO B,KURGAN L.人类蛋白质中残余水平蛋白质功能和结构预测的互补性[J]。计算与结构生物技术杂志,2022,20(1):2223-2234。 [81]PAZOS OBREGON F,SILVERA D,SOTO P等。通过机器学习完全基于基因相对位置的五种模型真核生物的基因功能预测[J]。《科学报告》,2022,12:11655。 [82]蒋毅,惠文华,常世伟.用图形表示编码蛋白质动态信息用于功能残基识别[J]。《细胞报告物理科学》,2022,3(7):100975。 [83]RIFAIOGLU A S,DOGAN T,MARTIN M J,等.深度:基于多任务前馈深度神经网络的蛋白质功能自动预测[J]。科学报告,2019,9:7344。 [84]MANSOOR M,NAUMAN M,UR REHMAN H,等.基因本体GAN(GOGAN):蛋白质功能预测的新架构[J]。软计算,2022,26(1):7653-7667。 [85]SAHA S,CHATTERJEE P,BASU S,et al.FunPred 3.0:使用蛋白质相互作用网络改进蛋白质功能预测[J]。同行杂志,2019,7:e6830。 |