FoldingZero: 水疏水模型下的蛋白质折叠
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
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
本研究介绍了一种新的基于扩散的生成模型,通过模拟蛋白质的折叠过程,使用一系列连续角度来生成新的蛋白质骨架结构,通过简单的 transformer 骨干训练出高质量的蛋白质结构,并开源了对应的代码库和训练模型。
Sep, 2022
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
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
本研究提出了一种新的蛋白质结构预测方法 ——HelixFold-Single,它基于大规模蛋白质语言模型,将原始序列代替同源序列用于学习蛋白质序列的共同进化信息,并结合 AlphaFold2 的关键组件预测蛋白质原子的三维坐标,其在 CASP14 和 CAMEO 数据集中准确度表现良好,同时能够节省大量的计算时间。
Jul, 2022
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。
Jun, 2017
利用 AlphaZero 在蛋白质主链设计中的应用,展示了其出色的性能,不仅显著超越了现有方法,在蛋白质主链设计任务中提高了 100% 以上,而且通过引入次要目标,还揭示了更多有前景的结果,显示了模型驱动的强化学习在蛋白质设计的精确和微妙方面的潜力。
May, 2024