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

使用深度贝叶斯优化来优化难以预测蛋白质序列的反折叠问题，并可应用于其他有约束的情况，能在减少计算资源的情况下产生具有大大降低结构误差的蛋白质序列。

May, 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

使用 Miyazawa-Jernigan 模型在量子计算机上实现晶格蛋白折叠模型，为研究生物物理学和统计力学中的优化问题开辟了新的途径。

Apr, 2012

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