學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
1 results
Search Results
Item 基於Transformer的化合物-蛋白質交互作用預測方法之改進(2025) 陳威宇; Chen, Wei-Yu近年來，化合物-蛋白質交互作用 (Compound-Protein Interaction, CPI) 預測已經成為計算化學領域的研究熱點之一。隨著深度學習技術的興起，越來越多的基於神經網路的CPI預測方法得到了開發和應用。其中，Transformer模型是採用自注意力機制 (Self-attention) 的深度學習模型，具有強大的建模能力，因此有越來越多模型使用了此方法。不過，基於此方法的模型在預測CPI的任務上存在著一些問題，例如訓練的成本太大、對於3D空間相互作用的捕捉能力較弱等，而這些問題也影響到預測的準確率。為了找到比傳統Transformer還更能準確預測的方法，我們從模型架構、輸入特徵的選擇以及損失函數等面向尋找改進的方法，期望能找出可以提升準確率，甚至降低運算成本的方法。本論文以CAT-CPI (Ying et al., 2022) 的模型架構為基礎，結合TransformerCPI (Chen et al., 2020) 對於化合物特徵的提取方式，提出了基於Transformer的CPI預測之改進方法。TransformerCPI針對一維的SMILES序列產生了對應的原子特徵，而CAT-CPI則是使用二維的化合物圖像作為輸入，利用CNN學習化合物圖像的局部細節特徵，並且取得了優秀的結果。因此本模型結合兩者的特色，同時以一維的原子特徵和二維的分子圖像作為輸入，利用不同的化學結構資訊互補來提高模型的預測能力。此外我們也嘗試以Performer、Conformer等不同的架構取代傳統的Transformer來提升預測的準確率與運算的速度，並觀察不同的損失函數 (Loss Functions) 對於訓練結果的影響。我們使用Human、Celegans以及Davis資料集對所有改進方法進行實驗，發現與只使用分子圖像的方法相比，原子特徵與分子圖像結合的輸入能有效提升預測的準確率，且以Performer和Conformer等模型取代Transformer也可些微提升預測的能力。