Mar, 2016

基于特征概率密度函数的蛋白质单模型质量评估

PDF
TL;DR本文提出一种新型单一模型蛋白质质量评估方法 - Qprob，它计算蛋白质结构模型真实质量得分（GDT-TS 得分）与每个蛋白质特征值之间的绝对误差，并使用它们来估计其质量评估的概率密度分布。Qprob 在 11th Critical Assessment of Techniques for Protein Structure Prediction（CASP11）上进行了盲测试，并成功排名为最好的单一模型质量评估方法之一。该方法在预测难模型的蛋白质三级结构和质量评估方面表现出色，并为多个研究领域做出了贡献。
发现论文，激发创造
  • 使用深度学习改进模型质量评估的 ProQ3D

    使用深度神经网络替换支持向量机可以显著地提高蛋白质质量评估的准确性。

    Oct, 2016

  • 蛋白质模型质量评估的深度迁移学习

    该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法，利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习，达到了最先进的性能表现。

    Apr, 2018

  • DProQ：一种用于蛋白质复合物结构评估的门控图形转换器

    本研究提出了一种新的模型 DProQ，使用带门控机制的图网络结构对蛋白质复合物结构的预测质量进行判定，其在四个新开发的数据集上的表现达到了最先进水平。

    May, 2022

  • 蛋白质性质的不确定性预测

    在蛋白质领域，可靠的变异影响预测取得了显著进展，通过提供具备不确定性估计的高斯过程回归模型 Kermut，能够在蛋白质属性预测中获得最先进的性能，并展示了对预测的可靠性定量估计的质量评估结果。

    Apr, 2024

  • PQMass：使用概率质量估计评估生成模型质量

    我们提出了一种综合的基于样本的方法来评估生成模型的质量。该方法能够估计从同一分布中抽取两组样本的概率，从而为评估单个生成模型或比较在相同数据集上训练的多个竞争模型的性能提供了统计学上严谨的方法。该方法能够直接在高维数据上进行操作，无需降维，且不依赖于对真实分布密度的假设，也不依赖于训练或拟合任何辅助模型，而是专注于近似计算数据空间中各个子区域的密度（概率质量）的积分。

    Feb, 2024

  • 卷积深度网络用于蛋白质折叠质量评估

    本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

    Jan, 2018

  • 使用等变去噪扩散概率模型生成蛋白质结构与序列

    本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

    May, 2022

  • 多样化神经网络结构高质量预测蛋白质 Q8 二级结构

    利用机器学习方法，通过构建神经网络模型和使用最新的建模方法对蛋白质二级结构的预测结果进行了研究和探讨，实验结果表明，模型精度达到 70.7％。通过完整地开放训练数据及代码，为领域内可重复性研究树立了良好标准。

    Nov, 2018

  • 使用神经网络进行分子性质预测的不确定性量化

    文章通过对 5 个基准数据集的系统评估，研究不同的不确定性量化方法在回归任务中的性能表现，发现没有一种方法完全优于其他方法，也没有一种特别可靠的错误排名。作者建议在已有的技术中进行选择。

    May, 2020

  • PDB-Struct: 一项面向基于结构的蛋白质设计的综合评估

    通过引入两个新的度量标准（基于可重复折叠性和稳定性），我们提出了一种新的评估蛋白质设计方法的综合基准，以解决现有评价方法的不足。实验结果表明，ByProt，ProteinMPNN 和 ESM-IF 在我们的基准测试中表现出色，而 ESM-Design 和 AF-Design 在可重复折叠性指标上表现不佳。我们的基准为未来蛋白质设计方法的公正全面评估铺平了道路。

    Nov, 2023