首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【蛋白设计】EGRET : 利用边缘聚集图注意网络基于单体蛋白预测PPIS

【蛋白设计】EGRET : 利用边缘聚集图注意网络基于单体蛋白预测PPIS

作者头像
DrugAI
发布于 2021-12-04 01:26:01
发布于 2021-12-04 01:26:01
6470
举报
文章被收录于专栏:DrugAIDrugAI

——研究背景——

蛋白质-蛋白质相互作用在大多数生物过程起着至关重要的作用。然而,使用传统的实验方法来确定蛋白质-蛋白质相互作用位点(PPIS)依然要耗费大量的时间和资金成本。因此,近些年来涌现出很多预测PPIS的算法,大多都是需要partner的,虽然也有加入PSSM矩阵信息后可以做到基于单体的预测,但是结果都不是很理想。

近期,孟加拉大学和马里兰大学的MdShamsuzzoha Bayzid和Sazan Mahbub共同更新了他们在bioRxiv上的文章,提出了一种基于 EGRET的端到端高精度深度学习模型的PPIS预测方法该方法使用一个边聚合图注意网络来有效地利用结构信息(文中提到的GAT-PPI模型是EGRET去掉边聚合模块的Ablation Model)。

此外,本文也是首次使用迁移学习预测PPIS。

——方法——

一、特征表示:

1、蛋白质的图表示:

EGRET模型是一个基于图神经网络的体系结构,首先将数据集中每个蛋白质的三维结构表示为有向k近邻图G。

G中节点的V(G)表示蛋白质的氨基酸残基, Ni为残基i ( i∈V(G) ) 的近邻残基的个数,残基i位于中心,任何两个节点(残基)之间的距离是通过它们的平均原子之间的距离来计算的 (使用PDB文件中的原子坐标) 。

图一:残基与近邻残基的示意图

2、节点特征表示:

输入的序列X = { X1, X2 , . .. . XN }通过ProtBERT进行编码产生节点特征向量{q = q1 , q2 . . . qN },qi∈dprotbert(dprotbert=1024),与其他方法相比,ProtBERT在残基水平分类任务上取得了更好的性能。

3、边特征表示:

在表示蛋白质的有向图中,Eji(连接i,j的边)的边特征由 ξ ji表示,ξ ∈ R是边界特征的个数。

1)残基i和j之间的距离Dij,它是通过取它们原子之间的平均距离来计算的

2)残基i和j的相对取向θij,计算方法为这两个残基通过的平面(由N、Cα、C三个原子确定)的法向量之间夹角的绝对值。

二、EGRET的模型结构:

图二:EGRET模型结构示意图,a) 局部特征提取器;b) 边聚合图注意; c) 分类器

1、局部特征提取器:

局部特征提取器 λ 用来提取蛋白质的图表示G。λ不仅捕捉蛋白质(序列)残基的局部相互作用,而且将节点级特征向量{q=q1,q2...qN} 进行降维。

λ 使用窗口大小为W的一维卷积神经网络层作为卷积层(W为相对较小的奇数, 理解为卷积核的大小),以捕捉关于顺序较近的残基之间的关系的信息(不包含三维空间信息)。取奇数是为了确保特定残基i两侧的残基数量相等。节点特征序列q通过λ生成一个低维表示{h = h1, h2 . . . hN }hi Rfε。

2、边聚合图注意力层:

作者对最初的图注意力层修改引入边聚合算法。特征表示h (由局部特征提取器λ产生) 使用边缘聚合图注意力层Υ进行变换,以编码蛋白质的三维结构信息。

各图神经网络基础架构通常是以一个节点的聚合过程中将所有相邻节点的特性表征聚合生成一个固定大小的Ui表示为新节点, 然后用于进一步的计算。一个常用的聚合过程是对相邻节点的特征进行加权平均:

γji代表i,j相互作用的重要程度。然后计算边特征ξij的注意力分数(需要考虑边和节点):

Ω(.)代表激活函数,然后通过softmax函数来进行归一化处理,之后将输出的归一化向量来约束边特征和节点特征来得到最终的特征向量:

3、判别概率输出:通过线性层和sigmoid激活函数得到概率输出,此概率表示残基是否位于PPIS。

——训练数据——

本文的基准数据集类似于DeepPPISP数据集,包含三个常用的数据集: (1) Dset186, (2) Dset72, (3) PDBset164, 这三个数据集都是用pdb-database中的蛋白质建立的,序列同源性小于25%,分辨率小于3.0 Å (X射线晶体学解析) ,至少有5%的残基为PPI界面残基的异源二聚体蛋白质结构。将这三个数据集整合成一个融合的数据集,以确保训练集和测试集来自相同的分布。70个(16.6%)随机选择的蛋白质序列的测试集和 (约83.4%) 蛋白质序列用作训练集。

表一:基准训练集与测试集数据统计表(右边两列是界面残基和非界面残基占的比例)

——结果与讨论——

基于PPI预测问题的不平衡性, EGRET得到的F1评分、AUPRC和MCC分别为0.438、0.405和0.27,分别比现有最佳DELPHI高4.8%、12.5% 和14.4%,并且去掉边聚合模块的GAT-PPI的表现要差于EGRET。

表二:EGRET和 GAT-PPI 的预测性能比较与其他最先进的方法在DeepPPISP 基准数据集上的表现

EGRET的设计初衷就是要得到不同氨基酸之间的全局信息来进行优化的,基于此,作者又进行了对于长程相互作用,GAT-PPI和DELPHI与EGRET的效果评估:

图三 :长程相互作用和蛋白质长度对 ppi 位点预测性能的影响

如图一可以看到,相互作用数目越多或者序列上的相距越远,预测效果会随之递减,但是GAT-PPI和EGRET都远好于DELPHI。

为了说明迁移学习的影响,作者研究了 ProtBERT 生成的特征向量与其他类型的特征表示相比的效果。分别又将两种模型在以DeepPPISP数据(PSSM, 初始序列信息, 八种二级结构信息)为输入时做了测试:

表三:不同类型特征的影响

PInet是一种基于partner的PPIS预测模型,MaSIF也是一种基于单体的预测模型,但是前两者与本工作相比都使用了除了几何结构信息之外的信息(比如静电势,氢键分布,亲疏水性等),作者在MaSIF数据集上做了如下对比:

表四:PInet、MaSIF在使用不同级别信息时与EGRET的对比

EGRET在仅使用几何信息并基于单体的条件下,表现都要优于前两者。

并且,作者还测试了EGRET在对接数据集Dockground上的表现,也得到了很好的结果,相互作用位点的平均召回率在90%以上。

参考文献:

Mahbub Sazan, Md Shamsuzzoha Bayzid."EGRET: Edge Aggregated Graph Attention Networks and Transfer Learning Improve Protein-Protein Interaction Site Prediction." bioRxiv (2021):2020-11.

DOI:10.1101/2020.11.07.372466

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-12-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DrugAI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Research | 构建基于Transformer的集成框架实现蛋白相互作用位点准确预测
本文介绍来自浙江大学药学院朱峰教授课题组发表在国际综合性学术期刊Research上的最新工作。该研究提出了一种基于Transformer和门控卷积残差神经网络的集成框架EnsemPPIS,仅需要蛋白质的序列信息即可准确识别潜在的蛋白质-蛋白质相互作用(PPI)位点。所构建的模型不仅有效提取残基所处的全局和局部序列环境特征,还利用Transformer算法的自注意力机制从蛋白质序列上学习残基相互作用信息,进而使用集成学习策略将多种特征进行有机整合,在多个基准数据集上实现了卓越的预测性能,并展示出广泛的适用性,能够应用于全蛋白质组范围内的PPI位点预测。此外,模型的可解释性分析证明了该模型具备从蛋白质序列中捕捉局部结构内残基相互作用信息的能力。EnsemPPIS有望加深人们对生理病理机制的理解,助力蛋白质功能研究,推动靶向药物,尤其是蛋白类药物的研发。
DrugAI
2023/10/13
7760
Research | 构建基于Transformer的集成框架实现蛋白相互作用位点准确预测
Bioinformatics | 通过在深度神经网络中应用局部和全局特征来预测蛋白质相互作用位点
今天给大家介绍中南大学李敏教授课题组在Bioinformatics上发表的文章“Protein–protein interaction site prediction through combining local and global features with deep neural networks”。先前的研究以及证据已经表明,全局序列特征对于预测蛋白质相互作用位点来说会有很大帮助。虽然现有的计算方法已经取得了不错的预测表现,但是它们的模型中都没有采用全局序列特征,因此可能会使得算法性能有所下降。为解决此问题,作者在文章中提出了一种新型的文本卷积网络来获取蛋白质序列的全局特征,并将用滑动窗口方法获取的局部特征信息与之结合,来共同预测蛋白质相互作用位点且取得了不错的效果。随后作者又通过对比实验继续研究了全局序列特征的有效性与最佳占比情况。
智能生信
2021/02/04
1.1K0
BIB | 动态结构信息提升蛋白-蛋白相互作用预测能力
近日,德睿智药与湖南大学团队在顶级期刊《Briefings in Bioinformatics》(IF:11.6)上发表研究论文“Learning spatial structures of proteins improves protein-protein interaction prediction”。蛋白质的空间结构与其功能特性密切相关,在预测蛋白质-蛋白质相互作用中增加蛋白质空间结构相关信息能潜在提高模型预测能力。本文提出TAGPPI模型,融合蛋白质序列特征与AlphaFold2预测的结构信息提高蛋白-蛋白相互作用预测精度。德睿智药团队负责了研究部分AI模型的开发与验证。
DrugAI
2022/03/25
9170
BIB | 动态结构信息提升蛋白-蛋白相互作用预测能力
JCIM|南洋理工大学慕宇光课题组:一种基于图神经网络进行蛋白-蛋白亲合性预测的新方法
蛋白质-蛋白质相互作用 (PPI) 是几乎所有生物过程的基石,它决定了信号通路的动态变化以及细胞功能所必需的结构框架。正确理解蛋白-蛋白相互作用对蛋白质工程和药物发现的进步至关重要。其中,亲合性作为描述蛋白-蛋白相互作用强度的关键因素决定了蛋白质复合物的形成和特异性。传统实验和理论方法在高通量测试场景中面临着人力和成本的双重挑战。目前,已有多项基于机器学习方法进行蛋白-蛋白相互作用预测的研究得到报道,但由于缺乏全面的数据,该领域仍未得到全面的探索。
智药邦
2024/12/30
4460
JCIM|南洋理工大学慕宇光课题组:一种基于图神经网络进行蛋白-蛋白亲合性预测的新方法
Nat. Mach. Intel. | 突变后蛋白蛋白结合力的拓扑网络树预测模型
今天给大家介绍密歇根州立大学数学系Guowei Wei教授团队2020年2月14日发表在Nature Machine Intelligence上的文章:A topology-based network tree for the prediction of protein–protein binding affinity changes following mutation. 这篇文章将拓扑表示法与深度学习算法相结合,构建了一个基于拓扑的网络树,用于预测突变后蛋白-蛋白相互作用结合亲和力的变化。
DrugAI
2021/01/29
8430
Nat. Methods | 利用机器学习对蛋白质-肽相互作用和信号网络进行生物物理预测
今天给大家介绍的是由哈佛大学的Joseph M. Cunningham等人在“nature methods”上发表的文章“Biophysical prediction of protein–peptide interactions and signaling networks using machine learning”。
智能生信
2021/03/03
8300
Nat. Methods | 利用机器学习对蛋白质-肽相互作用和信号网络进行生物物理预测
榕树集-蛋白质表面指纹(MaSIF)
分子指纹考虑了结构特征,但是这些结构无序,并么有空间上的相对位置信息,其最后多用谷本系数计算相似性。
DrugScience
2023/05/24
8780
榕树集-蛋白质表面指纹(MaSIF)
基于无参数几何深度学习的蛋白质结合界面预测方法
今天为大家介绍的是来自nature communications研究蛋白质的相互作用预测的文章。本文则提出了一种全新的方法,该方法基于几何Transformer(PeSTo)和几何池化技术,能够直接处理仅标有元素名称的原子坐标,无需依赖物理化学特征的显式参数化。这一方法不仅能够有效预测蛋白质与蛋白质之间的相互作用,还能轻松拓展至预测蛋白质与其他非蛋白质物质(如核酸、脂质、配体和离子)的相互作用。此外,该模型运行速度快,且预测结果具有高置信度。
DrugAI
2025/02/18
1740
基于无参数几何深度学习的蛋白质结合界面预测方法
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
2022年5月30日,以色列特拉维夫大学Blavatnik计算机科学学院的Haim J. Wolfson等人在Nat Methods杂志发表文章,提出了一种可解释的深度学习模型,该模型直接从原始数据中学习具有功能的结构基序 (motifs),从而可以将蛋白质结合位点和抗体表位准确地映射到蛋白质结构上。
智药邦
2022/06/08
4.7K0
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
厦门大学刘向荣团队提出MFE模型,通过多模态特征提取预测蛋白质-配体结合亲和力
在药物发现领域,准确有效地预测蛋白质与配体之间的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究主要是利用基于序列或结构的表征来预测蛋白质与配体的结合亲和力,而对蛋白质与配体相互作用至关重要的蛋白质表面信息的研究相对较少。此外,在处理蛋白质的多模态信息时,传统的方法通常以直接的方式连接不同模态的特征,而不考虑它们之间的异质性,这导致无法有效地利用模态之间的互补性。
智药邦
2024/07/31
4920
厦门大学刘向荣团队提出MFE模型,通过多模态特征提取预测蛋白质-配体结合亲和力
Drug Discov. Today | 生物信息学资源支持蛋白质-蛋白质相互作用的药物靶标发现
今天为大家介绍的是来自杨光富团队的一篇论文。蛋白质-蛋白质相互作用(PPIs)对于多种细胞性过程至关重要,为药物靶点发现提供了一个有前景的途径。PPIs的特征是多层次的复杂性:在蛋白质层面,可以利用相互作用网络来识别潜在的靶点;而在残基层面,可以利用单个PPIs的相互作用细节来检查一个靶点的可药性。在通过多层次PPI相关的计算方法进行靶点发现方面,已经取得了巨大的进展,但这些资源尚未得到充分讨论。在这里,作者系统地调查了用于识别和评估潜在药物靶点的生物信息学工具,检查它们的特性、限制和应用。这项工作将帮助将更广泛的蛋白质到网络的上下文与详细的结合机制分析相结合,以支持药物靶点的发现。
DrugAI
2024/06/04
5470
Drug Discov. Today | 生物信息学资源支持蛋白质-蛋白质相互作用的药物靶标发现
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
2019年12月,洛桑联邦理工学院和瑞士生物信息研究所的研究者在nature methods上提出使用分子表面的化学和几何指纹,来预测蛋白质和其他分子间的相互作用。
DrugAI
2021/02/02
1.6K0
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
南开大学提出PGAT-ABPp模型,通过蛋白质语言模型和图注意力网络识别抗菌肽
耐药病原体的出现是对人类健康的巨大挑战。抗菌肽(Antimicrobial peptides,ABP)又称宿主防御肽,是机体免疫防御系统的重要组成部分,表现出多方面的作用机制,对细菌、真菌、病毒和其他病原体具有广谱抗菌活性。因此,它们已成为传统抗菌药物的潜在替代品。然而,识别ABP需要复杂的设计、漫长的筛选周期和严格的条件,这使得大规模筛选非常具有挑战性。
智药邦
2024/08/29
3700
南开大学提出PGAT-ABPp模型,通过蛋白质语言模型和图注意力网络识别抗菌肽
CELL SYST|多目标神经网络框架预测化合物-蛋白相互作用和亲和力
这次给大家介绍清华大学交叉信息研究院的曾坚阳教授课题组在Cell Systems上发表的论文“MONN: A Multi-objective Neural Network for Predicting Compound-Protein Interactions and Affinities”。分析化合物与蛋白质的相互作用 (Compound-Protein Interactions ,CPIs)在药物研发过程中起着至关重要的作用,迅速准确地预测作用位点和其间的亲和力有利于高效的药物研发。基于此问题,曾坚阳教授课题组引入深度学习,提出了一种预测化合物-蛋白相互作用和亲和力的多目标神经网络-MONN。作者在方法中引入了(i)捕获全局特征的超级节点、(ii)预测亲和力的GRU模块(Gate Recurrent Unit,门循环单元模型)、(iii)预测化合物-蛋白结合位点和判断其间的亲和力指标的多目标共享特征结构,使得其模型具有比现有模型更好的特征可解释性,有效捕捉了化合物与蛋白质的内在特征与联系,实现精确判断分子间的相互作用和亲和力。
智能生信
2021/02/04
1.1K0
BIB | DeepDTAF:一种预测蛋白质与配体结合亲和力的深度学习方法
配体与蛋白质之间的生物分子识别在药物发现和开发中起着至关重要的作用。然而,通过实验来确定蛋白与配体的结合亲和力是非常耗时耗力的。目前,已经提出了许多预测结合亲和度的计算方法,其中大多数通常需要蛋白质的三维结构,而这种结构并不常用。因此,需要新的方法充分利用序列水平的特征来预测蛋白质与配体的结合亲和力,加快药物发现过程。作者开发了一种新的深度学习方法DeepDTAF,来预测蛋白质与配体的结合亲和力。DeepDTAF是结合局部和全局上下文特征构建的。更具体地说,蛋白质口袋具有一些特殊的特性,可以直接与配体结合,这种特性首次被用作预测蛋白质与配体结合亲和力的局部输入特征。此外,空洞卷积被用来捕获多尺度的长程相互作用。作者将DeepDTAF与最新的方法进行了比较,实验结果表明DeepDTAF是一个可靠的预测工具。
智能生信
2021/07/22
4.9K0
Nat. Methods | 一个用于预测动态环境中全新蛋白-蛋白相互作用的平台
今天为大家介绍的是来自Ileana. M. Cristea团队的一篇论文。蛋白-蛋白相互作用(PPIs)推动细胞过程和对环境的反应,反映了细胞状态。在这里,作者开发了Tapioca,一个用于研究动态环境中全局PPIs的集成机器学习框架。
DrugAI
2024/04/28
3030
Nat. Methods | 一个用于预测动态环境中全新蛋白-蛋白相互作用的平台
Nat. Methods | 基于机器学习和生物物理的蛋白质-肽相互作用预测
2020年1月6日哈佛医学院Mohammed AlQuraishi和Peter K. Sorger研究团队合作在Nature methods上发表题Biophysical prediction of protein–peptide interactions and signaling networks using machine learning的研究成果。该研究利用机器学习方法能够准确地预测多蛋白家族间的球形蛋白结合域(PBD)-肽相互作用的亲和性。
DrugAI
2021/02/01
8030
Nat. Methods | 基于机器学习和生物物理的蛋白质-肽相互作用预测
Nat. Microbiol. | 加速版RoseTTAFold来了!RF2-Lite快速识别蛋白质-蛋白质相互作用
今天为大家介绍的是来自david baker团队的一篇论文。识别细菌的蛋白质-蛋白质相互作用并预测这些复合物的结构,有助于理解致病机制和开发传染病的治疗方法。在此,作者开发了RoseTTAFold2-Lite,这是一种快速的深度学习模型,利用残基-残基的共进化和蛋白质结构预测,在蛋白质组范围内系统地识别和结构化表征蛋白质-蛋白质相互作用。利用这个流程,作者在19种人类细菌病原体中搜索了7800万对蛋白质,识别出1923个涉及必需基因的高置信度预测复合物,以及256个涉及毒力因子的复合物。这些复合物中有许多之前并不为人所知;作者对其中12个预测进行了实验验证,其中一半得到了确认。这些预测的相互作用涵盖了核心代谢和毒力途径,从转录后修饰到酸中和,再到外膜机制,有助于加深对这些重要病原体生物学的理解,并为设计对抗它们的药物提供了依据。
DrugAI
2024/11/23
1710
Nat. Microbiol. | 加速版RoseTTAFold来了!RF2-Lite快速识别蛋白质-蛋白质相互作用
J. Cheminform. | GraphSol:预测接触图助力蛋白质溶解度预测
今天给大家介绍中山大学杨跃东教授课题组发表在Journal of Cheminformatics上的一篇论文。该论文指出蛋白质的溶解度对于生产新的可溶性蛋白质非常重要,但是目前预测蛋白质溶解度的方法大多基于氨基酸的一维嵌入,仅限于捕获空间结构信息。针对上述问题,作者开发了一种新的结构感知方法——GraphSol,通过注意力图卷积网络(GCN)预测蛋白质的溶解度,其中蛋白质拓扑结构属性图是通过预测序列的接触图构建的,结果显示GraphSol明显优于其他基于序列的方法。
智能生信
2021/03/03
7800
J. Cheminform. | GraphSol:预测接触图助力蛋白质溶解度预测
Bioinformatics| 生物医学网络中的图嵌入方法
今天给大家介绍Bioinformatics期刊的一篇文章,“Graph embedding on biomedical networks: methods, applications and evaluations”。文章研究了图嵌入方法在生物医学网络分析上的应用,来自美国俄亥俄州立大学、美国哥伦布国家儿童医院、华中农业大学的研究者完成了该项工作。文章选取了11种具有代表性的图嵌入方法,对3个重要的生物医学链接预测任务:(1)药物-疾病关联(drug-disease association, DDA)预测,(2)药物-药物相互作用(drug- drug interaction, DDI)预测,(3)蛋白质-蛋白质相互作用(protein - protein interaction, PPI)预测; 以及2个节点分类任务:(1)医学术语语义类型分类,(2)蛋白质功能预测进行了系统的比较。通过实验结果证明了目前的图嵌入方法取得了良好的效果,在生物医学网络分析方面具有很大的潜力。
DrugAI
2021/02/01
6390
推荐阅读
Research | 构建基于Transformer的集成框架实现蛋白相互作用位点准确预测
7760
Bioinformatics | 通过在深度神经网络中应用局部和全局特征来预测蛋白质相互作用位点
1.1K0
BIB | 动态结构信息提升蛋白-蛋白相互作用预测能力
9170
JCIM|南洋理工大学慕宇光课题组:一种基于图神经网络进行蛋白-蛋白亲合性预测的新方法
4460
Nat. Mach. Intel. | 突变后蛋白蛋白结合力的拓扑网络树预测模型
8430
Nat. Methods | 利用机器学习对蛋白质-肽相互作用和信号网络进行生物物理预测
8300
榕树集-蛋白质表面指纹(MaSIF)
8780
基于无参数几何深度学习的蛋白质结合界面预测方法
1740
Nat Methods|ScanNet:基于结构的蛋白质结合位点预测深度学习模型
4.7K0
厦门大学刘向荣团队提出MFE模型,通过多模态特征提取预测蛋白质-配体结合亲和力
4920
Drug Discov. Today | 生物信息学资源支持蛋白质-蛋白质相互作用的药物靶标发现
5470
Nat. Methods | 基于几何深度学习解密蛋白分子表面的相互作用指纹
1.6K0
南开大学提出PGAT-ABPp模型,通过蛋白质语言模型和图注意力网络识别抗菌肽
3700
CELL SYST|多目标神经网络框架预测化合物-蛋白相互作用和亲和力
1.1K0
BIB | DeepDTAF:一种预测蛋白质与配体结合亲和力的深度学习方法
4.9K0
Nat. Methods | 一个用于预测动态环境中全新蛋白-蛋白相互作用的平台
3030
Nat. Methods | 基于机器学习和生物物理的蛋白质-肽相互作用预测
8030
Nat. Microbiol. | 加速版RoseTTAFold来了!RF2-Lite快速识别蛋白质-蛋白质相互作用
1710
J. Cheminform. | GraphSol:预测接触图助力蛋白质溶解度预测
7800
Bioinformatics| 生物医学网络中的图嵌入方法
6390
相关推荐
Research | 构建基于Transformer的集成框架实现蛋白相互作用位点准确预测
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档