近日，重慶理工大學數學科學研究中心助理教授劉健與密歇根州立大學講席教授Guo-Wei Wei和博士后陳冬合作的研究成果《TopoFormer: Multiscale Topology-enabled Structure-to-Sequence Transformer for Protein-Ligand Interaction Predictions》，在人工智能領域頂級期刊Nature Machine Intelligence（IF:25.898）上發表。

論文截圖。重慶理工大學供圖

該論文提出了一種創新的工具——TopoFormer，結合了大語言模型（LLM）與多尺度拓扑技術，用於預測蛋白質-配體相互作用。TopoFormer的核心在於其獨特的拓扑方法，即持續拓扑超圖拉普拉斯（PTHL）技術。PTHL技術能夠將復雜的3D蛋白質-配體復合物轉換為LLM可處理的拓扑不變量和同胚形狀序列，從而捕捉不同空間尺度上的關鍵相互作用。

TopoFormer在評分、排序、對接和篩選等任務中表現優異，大幅超越了傳統算法和最新的深度學習模型。研究團隊在多個基准數據集上驗証了TopoFormer的性能，証明其在准確度和效率方面具有顯著優勢。這項研究不僅展示了TopoFormer在蛋白質-配體相互作用預測中的強大能力，還為拓扑學在其他結構數據中的應用提供了新思路。

此項研究工作得到了重慶理工大學科學技術研究院、理學院、數學科學研究中心的支持。

拓扑大語言模型示意圖。重慶理工大學供圖

據了解，Nature Machine Intelligence是Nature期刊於2019年創立的子刊。該期刊在影響因子（Impact Factor）和谷歌指數（H-Index）方面均列前茅，覆蓋計算生物學、模式識別、圖像處理和計算機視覺等多個領域。（晏紅霞、謝挺）

分享讓更多人看到