Apr, 2020

通过解释性变分自编码器生成三级蛋白质结构

PDF
TL;DR本文提出并评估了一种利用生成深度学习的图形生成模型，生成蛋白质的功能相关三维结构的替代方法，并评价了几种深层结构的全面评估。
molecular biologystochastic optimizationgenerative deep learningprotein structure predictiongraph-generative models
发现论文，激发创造
  • 蛋白质序列的变分自编码

    使用变分自编码器对天然蛋白序列进行嵌入，以预测突变对蛋白质功能的影响，并可用于计算引导蛋白质序列空间的探索和更好地指导有理和自动蛋白质设计。

    Dec, 2017

  • 蛋白质折叠模拟的几何解耦表示学习

    利用生成型神经网络学习药物靶标蛋白结构的结构集合，以便于更好的理解药物机理和发展治疗方法，同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码，快速生成蛋白质构象的方案。

    May, 2022

  • 使用变分自编码器设计金属蛋白和新型蛋白质折叠

    利用变分自编码器生成所需属性的蛋白质序列，不需要人为干预，可添加潜在的铜和钙结合位点并与隐马尔可夫模型进行比较，同时开发了蛋白质结构语法用来产生一种新型蛋白质拓扑结构。该模型能够限制蛋白质序列的搜索空间，易于扩展，有助于各种蛋白质设计任务。

    Jun, 2018

  • 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

  • 应用生成预训练自回归转换器图神经网络分析和发现新型蛋白质

    利用基于语言模型的灵活深度学习策略，基于一个完全基于提示的模型，将 transformer 和图卷积架构集成到因果多头图机制中，实现一个生成预训练模型，用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务，并可用于设计具有这些特性的蛋白质，这个模型展现了多任务和协同作用的应用价值。

    May, 2023

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021

  • 3DMolNet：分子结构生成网络

    使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

    Oct, 2020

  • 基于生成型自编码器的分子设计应用

    本文探讨如何使用深度学习方法 - 自动编码器，进行新型药物分子结构的设计，并通过搜索自动生成的 latent space, 生成预测活性的新化合物，并识别与训练集不同但具有相似效应的活性化合物。

    Nov, 2017

  • 基于三级结构生成的 RNA 设计

    通过细胞的 3D 生物大分子和人工智能技术的学习，RNA 的 Tertiary 结构建模是一个关键问题，该研究展示了该模型的有效性，有望在 RNA 的设计方面提供更大的帮助。

    Jan, 2023

  • 使用等变平移技术进行蛋白质序列和结构联合设计

    本文提出了一种基于上下文特征的三角函数编码器和旋转平移等变解码器，能够在随机初始化的基础上迭代地将蛋白质序列和结构转化为所需状态，从而设计高保真度的蛋白质的新方法。实验结果表明，该方法在多项任务上均优于现有基线算法，而且比基于抽样的方法更快且可靠。

    Oct, 2022