Oct, 2011

残基共同进化的直接耦合分析捕获了许多蛋白质家族之间的原生联系

PDF
TL;DR研究表明，通过基于序列信息的直接耦合分析 (DCA) 可以预测出蛋白质的接触点，这些预测的接触点可以作为蛋白质构象、复合物形成以及领域结构的计算预测的可靠指南。
发现论文，激发创造
  • 序列协同演化揭示蛋白质复合物的 3D 接触和结构

    该研究表明，通过分析蛋白质序列之间的相关进化序列变化，可以准确识别与蛋白质配对的残基，从而确定蛋白质复合物的三维结构，可用于残基分辨率下的互作预测，并且随着序列数据库的增长，这种方法可以扩展到基因组范围内蛋白质相互作用网络的阐明和互作预测。

    May, 2014

  • 蛋白质中联系预测的改进：使用拟似似然函数推断 Potts 模型

    在结构生物学中，从蛋白质的序列推断出其三维结构是一个开放性问题，本文采用伪最大似然方法应用于描述统计学特性的 Potts 模型，较现有的基于标准平均场技术的直接耦合分析方法能够更好地区分直接和间接相互作用，并成功地验证了该方法的效果。

    Nov, 2012

  • 通过超深度学习模型精准地预测蛋白质接触图谱

    本文提出了一种新的深度学习方法，通过整合进化耦合和序列保守性信息来预测蛋白质的接触，从而大大提高了接触辅助的蛋白质折叠的准确性，并在测试中达到了很好的表现。

    Sep, 2016

  • ContactNet：基于几何的深度学习模型用于预测蛋白质 - 蛋白质相互作用

    我们开发了一种基于注意力的图神经网络 (ContactNet)，用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型，不需要多序列比对，适用于其他类型的相互作用。

    Jun, 2024

  • 从接触图恢复蛋白质结构

    该论文讨论了从接触图谱中恢复蛋白质三维结构的有效算法，可通过动力学以接触图谱的方式折叠蛋白质，同时研究了接触点数量减少时恢复结构质量的变化。

    May, 1997

  • 蛋白质界面接触预测的几何变换器

    本论文介绍了几何变换图形转换器 Geometric Transformer 和预测蛋白质界面接触的终端到终端预测管道 DeepInteract，它通过输入两个蛋白质的 3D 三级结构，预测特定于对象的蛋白质界面接触，成功地超越了现有的界面接触预测方法以及其他图形神经网络骨架，从而验证了 Geometric Transformer 在学习富含关系 - 几何特征方面的有效性。

    Oct, 2021

  • 深度强化学习重建蛋白质四聚体结构的研究

    利用预测的蛋白质间接触来构建蛋白质复合物的四级结构，本研究介绍了一种基于深度强化学习的自学习方法（DRLComplex），并在两个标准数据集上进行了测试，结果表明 DRLComplex 在使用真实接触信息时，可以实现高平均 TM 分数和低平均界面 RMSD，并且相对于其他优化方法，它的表现比较好，验证了它在蛋白质复合物的四级结构重构中的有效性。

    May, 2022

  • 全局上下文生成全新蛋白质设计

    该论文介绍了一种新的蛋白质设计方法，叫做全局内容感知生成性蛋白质设计方法（GCA），该方法旨在通过操作全局和局部信息，以获得能够折叠成定义结构的新蛋白质序列。实验结果表明，该方法在全新的蛋白质设计中表现良好，并会发布全新的代码和预训练模型。

    Apr, 2022

  • 保守的网络模体允许蛋白质相互作用预测

    通过机器学习算法使用蛋白质网络的保守性质确定并验证了蛋白质相互作用候选者，成功率在 20-50% 之间。

    Jun, 2004

  • n 维概率密度轮廓分析：nD-PDPA

    文中介绍的 PDPA 及其二维和 n 维衍生方法可以更加经济有效地识别未知蛋白质的结构，并且可以利用多种数据类型（包括 RDC 数据）进行多维度量化，以提高结构识别的灵敏度和准确性。

    Apr, 2023