May, 2014

序列协同演化揭示蛋白质复合物的 3D 接触和结构

PDF
TL;DR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。
protein-protein interactionsevolutionary sequenceresidue resolutionthree-dimensional structureinteraction prediction
发现论文，激发创造
  • 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

  • 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

    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。

    Oct, 2011

  • 面向蛋白接口预测的高阶交互深度学习

    通过引入 2D dense prediction 方法和序列建模、配对交互等技术，我们提出了一种新的深度神经网络模型，能够通过图神经网络学习节点特征，并预测蛋白质界面的预测性能，并在实验中进行了验证并得出了可靠的结果。

    Jul, 2020

  • 功能几何指导的蛋白质序列和骨架结构联合设计

    设计合理的蛋白质序列和结构是至关重要的，我们提出了一种基于功能位点的 NAEPro 模型，该模型通过网络注意力和等变层来联合设计蛋白质序列和结构，在两个层次上进行有效而经济的信息传递，实验证明该模型能够设计出与自然蛋白质序列和结构非常相似且具有高度效能的蛋白质。

    Oct, 2023

  • 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

    综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型，并指出了面临的挑战和新的研究方向。

    Oct, 2023

  • 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

  • 蛋白质相互作用网络中全局蛋白质功能预测

    从蛋白质互作网络出发，通过减少与不同分类的互作蛋白质的数量来为蛋白质分配功能类别，该方法在酵母细胞蛋白质相互作用网络中得到应用并经过删除 / 插入互作关系的测试，在大量未分类蛋白质存在的情况下具有鲁棒性。

    Jun, 2003

  • 盲突变影响预测的多级蛋白质表示学习

    本文提出了一种新的预训练框架，它将用于蛋白质主体结构和三级结构的序列和几何分析器级联，模拟野生型蛋白质的自然选择并评估变体的效果，以指导遗传突变方向，实现所需特征，提出了一种新的变体影响预测方法，其预测结果在单点和深部变异方面表现良好。

    Jun, 2023

  • 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

  • 3D 蛋白结构端到端学习用于界面预测

    本研究基于一个大型数据库，通过开发学习模型 SASNet，改进了蛋白质相互作用预测的方法，证明了现有模型的性能不足以适用于大尺度数据，新模型展现出更好的性能。

    Jul, 2018