1、1 2 3 1 2 1.13 4 1.25 6 1.2.11.2.27 1.2.38 9 10 2.1 2.1.111 12 2.1.213 序号序号时间时间模型模型发表期刊发表期刊架构架构缺点缺点11980sBlastKNN/输入：蛋白质序列；算法：通过比较目标蛋白与已知功能的蛋白质之间的相似性，然后采用一种相似性加权算法来预测目标蛋白的功能；早期机器学习算法，效率低22018年DeepGOBioinformatics输入：蛋白质序列和PPI网络；算法：基于卷积神经网络（CNN）的深度学习分类模型，使用3-mer编码蛋白质序列，取序列特征。对于PPI网络，采用DeepWalk生成每个蛋白质的

2、256维网络拓扑特征；层次化分类网络需要巨大的内存资源，难以应用于大规模标签32020年DeepGOCNNBioinformatics输入：蛋白质序列；算法：从蛋白质序列中提取特征以预测功能，通过堆叠的CNN层来提取特征并预测蛋白质的功能最大预测蛋白质长度为200042020年DeepGOAIEEE/ACM Transactions onComputational Biology andBioinformatics输入：蛋白质序列和PPI网络；算法：使用Word2vec生成序列的残基级嵌入，然后输入到Bi-LSTM和多尺度CNN层中以提取全局和局部特征；具有特殊特征的蛋白质功能无法预测，蛋白质

3、序列最长为100052021年DeepGraphGOBioinformatics输入：蛋白质序列和PPI网络；算法：端到端模型，利用GNNs从PPI网络中提取信息以预测蛋白质功能；缺乏PPIs信息的新测序生物体难以预测62021年DeepFRINature Communications输入：蛋白质序列和结构；算法：融合了自监督语言模型和图卷积网络，从蛋白质序列的自监督模型中提炼出的序列特征及蛋白质结构来预测其功能；蛋白质序列训练集局限于PDB72022年GAT-GOBriefings in Bioinformatics输入：蛋白质序列和结构；算法：基于图注意力网络（GAT）的方法，它利用预训练

4、的蛋白质序列语言模型。GAT-GO输入蛋白质序列，提取序列特征、残基级特征和结构特征，从而预测功能；对于长序列蛋白质，对蛋白质结构数据精度要求很高82024年DeepGO-SENature Machine Intelligence输入：蛋白质序列；算法：使用预训练的大型语言模型从蛋白质序列预测GO功能，通过生成多个近似GO模型，并用神经网络预测蛋白质功能的真值；当序列与PPIs结合时性能最佳，许多新蛋白质没有已知的相互作用限制了组合模型的应用14 2.2 15 序号序号时间时间模型模型团队团队架构架构应用范围应用范围12018年DNN-PPI天津大学团队DNN-PPI基于深度神经网络，包含卷积

5、神经网络（CNN）和长短期记忆（LSTM）两个独立的顺序层，从蛋白质序列中学习的特征以自动预测PPI。预测蛋白质-蛋白质相互作用32021年AlphaFold-MultimerDeepMind基于深度学习，先建立复合物的多序列比对，以推断进化关系，然后用与AlphaFold2基本相同的深度学习方法来预测三级结构。预测蛋白质复合物三维结构22021年EquiDock麻省理工学院EquiDock模型，假设蛋白质内的构象在结合过程中没有发生构象变化的情况下，在单个未结合的结构中计算预测蛋白质-蛋白质复合物的3D结构的模型。预测蛋白质-蛋白质复合物结构62022年EquiBind麻省理工学院以Equi

6、Dock为基础，依赖SE(3)等变图神经网络，以配体分子图的随机三维构象和受体结构作为输入，预测结合蛋白质配体构象。预测蛋白质-小分子复合物结构42022年DeepTrio浙江大学团队DeepTrio是一种使用掩码多个并行卷积神经网络进行蛋白质-蛋白质相互作用的一个深度学习框架，它允许模型学习相对性质并研究每个残基对预测结果的贡献，并通过热图可视化蛋白质的重要性图。预测蛋白质-蛋白质相互作用52022年UniFold-Multimer深势公司团队端对端的蛋白质复合物结构预测，输入蛋白质多聚体的一级结构），预测蛋白质的三级结构，同时给出预测结果的置信度。预测蛋白质复合物结构72022年TANKB