Predicting Transmembrane Protein Topology from 3D Structure

基于三维结构的跨膜蛋白拓扑结构预测

Abstract: This paper presents a novel approach to infer protein topology using the state-of-the-art graph neural network (GNN), SchNet. The model is trained on the same dataset used to develop the recent DeepTMHMM model with 5-fold cross-validation.

摘要： 本文提出了一种利用最先进的图神经网络（GNN）——SchNet 来推断蛋白质拓扑结构的新方法。该模型在与近期 DeepTMHMM 模型开发所使用的相同数据集上进行了训练，并采用了 5 折交叉验证。

Unlike the conventional approaches based on using only the protein sequences or the $\alpha$-carbons as features, we have decoded our classifier in this way, so all atom-level embeddings are used. Without applying any pre-trained weight, the final results have shown great potential that GNNs can be used for topological predictions.

与仅使用蛋白质序列或 $\alpha$-碳作为特征的传统方法不同，我们以这种方式解码了分类器，从而利用了所有原子级的嵌入（embeddings）。在不使用任何预训练权重的情况下，最终结果显示出图神经网络（GNN）在拓扑预测方面具有巨大的潜力。

---

Paper Details:

• Authors: Sitong Chen, Xiaopeng Mao
• Subject: Artificial Intelligence (cs.AI)
• arXiv ID: 2609.30446
• Submission Date: 24 Sep 2026

论文详情：

• 作者： Sitong Chen, Xiaopeng Mao
• 学科： 人工智能 (cs.AI)
• arXiv ID： 2609.30446
• 提交日期： 2026年9月24日