可解释的机器学习在蛋白质科学中的应用：结构、功能与相互作用

《ACM Computing Surveys》：Interpretable Machine Learning for Protein Science: Structure, Function, and Interactions

近年来，机器学习在结构生物学中的应用显著，如AlphaFold神经网络用于蛋白质结构预测，其可解释的输出（如置信度评分）使非专家也能使用。本文综述了从低到高分辨率的蛋白质3D结构表示方法，并展示了可解释的ML方法在预测结构、功能和相互作用中的应用，强调其对于药物开发和蛋白设计的意义。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

机器学习（ML）的最新进展正在改变结构生物学领域。例如，AlphaFold 是一种用于蛋白质结构预测的突破性神经网络，已被研究人员广泛采用。由于神经网络架构提供了易于使用的界面和可解释的结果（如用于评估预测结构质量的置信度分数），即使是非 ML 专家也能使用 AlphaFold。在本文中，我们介绍了从低分辨率到高分辨率表示蛋白质 3D 结构的各种方法，并展示了可解释的 ML 方法如何支持预测蛋白质结构、蛋白质功能以及蛋白质-蛋白质相互作用等任务。该调查还强调了解释和可视化基于 ML 的推理对于提高结构基础蛋白质表示的可解释性和知识发现的重要性。开发此类可解释的方法有望进一步加速包括药物开发和蛋白质设计在内的领域的发展。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新知识、帮助读者评估内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。