Jun, 2017

DeepSF: 深度卷积神经网络用于蛋白质序列到褶皱的映射

PDF
TL;DR使用深度 1D 卷积神经网络（DeepSF）对任何蛋白质序列进行直接分类，将其映射到 1195 个已知折叠中的一个，从而实现蛋白质折叠识别和序列结构关系研究，并在 SCOP 数据集上的测试中取得了 80.4％的分类精度。
protein fold recognition1d-convolution neural networkfold classificationsequence-structure relationshipscop
发现论文，激发创造
  • 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

  • PiFold：实现高效和有效的蛋白质逆折叠

    本论文提出了 PiFold 具有改进恢复能力的新型残基特征提取器和 PiGNN 层，可一次性生成蛋白质序列。实验结果显示，PiFold 能够快速恢复结构，并且在 CATH 4.2，TS50 和 TS500 上的恢复效果也非常好，是以前方法的 70 倍快。

    Sep, 2022

  • 利用深度卷积神经场预测蛋白质的二级结构

    DeepCNF 是蛋白质二级结构预测的深度学习框架，比当前流行的预测器更为准确，并可用于预测其他蛋白质结构属性，如接触数、无序区域和溶剂可及性。

    Dec, 2015

  • SGNet：深度学习中对称蛋白质复合物的折叠

    我们提出了一种名为 SGNet 的蛋白质折叠框架，以建模对称组装中的蛋白质相互作用，从而解决了对称蛋白质复合物中的计算问题。我们的方法在四聚体蛋白质结构预测中可以模拟所有全局对称类型，并在对称蛋白质复合物基准测试上展示了其有效性。

    Mar, 2024

  • 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

  • 使用多尺度深度卷积神经网络和下一步条件进行蛋白质二级结构预测

    本研究通过深度学习技术，使卷积神经网络适应蛋白二级结构预测问题，达到了 70％的准确度，并尝试使用序列到序列学习和集合策略进一步提高精确度。

    Nov, 2016

  • Fold2Seq: 一种基于序列（1D）- 折叠（3D）嵌入的蛋白设计生成模型

    本研究提出了一种名为 Fold2Seq 的基于转换器的生成框架，以设计新的蛋白质序列并获得所需的三维拓扑折叠形态，结果表明 Fold2Seq 相比现有的最先进方法在速度、覆盖率及可靠性方面具有改进或类似的表现，进一步的应用表明 Fold2Seq 具有优于人工设计和物理学方法的独特优势。

    Jun, 2021

  • 深度学习神经网络在蛋白质计算设计中的应用

    本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

    Jan, 2018

  • 利用深度学习进行抗体序列设计的逆折叠

    给定 3D 结构信息，我们提出了一种经过精调的逆折叠模型，专门针对抗体结构进行优化，在抗体中的序列恢复和结构鲁棒性方面超越通用蛋白质模型，尤其在高变性 CDR-H3 环上改进显著。我们研究了互补决定区的规范构象，发现将这些环编码到已知簇中的方法有所改进。最后，我们考虑了我们模型在药物发现和结合物设计方面的应用，并利用基于物理的方法评估了所提出序列的质量。

    Oct, 2023

  • EigenFold: 基于扩散模型的生成蛋白质结构预测

    使用 EigenFold 这种扩散生成建模框架，以从给定蛋白质序列中生成结构的分布，更全面地了解模型不确定性，并评估 EigenFold 对于建模和预测折叠转换蛋白质和配体诱导构象变化的能力，该方法在最近的 CAMEO 目标中实现了中位 TMScore 为 0.84，可以更好地捕捉构象情况下的生物学功能。

    Apr, 2023