ICMLJun, 2021

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

PDF
TL;DR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。
protein designprotein engineeringtransformer-based generative frameworksequence-structure relationshipfold2seq
发现论文，激发创造
  • 基于序列扩增的 SE (3)- 流匹配用于条件蛋白质背骨生成

    利用氨基酸序列的丰富生物归纳偏差，FoldFlow-2 是一种新颖的序列条件的 SE (3)- 等变流匹配模型，用于蛋白质结构生成，并通过在一个比以前的 PDB 数据集大一个数量级的新数据集上进行规模训练，改进了无条件生成的设计能力、多样性和新颖性，同时在平衡构象抽样任务上具有泛化性能。

    May, 2024

  • FoldToken2：学习紧凑、不变和生成蛋白质结构语言

    我们提出了 FoldToken2 方法，将等价结构转化为离散标记，同时保持原始结构的可恢复性，并在蛋白质结构重构任务中展示了它相对于 FoldToken1 的改进，提高了 TMScore20% 和 RMSD81%。我们相信，FoldToken2 将在蛋白质结构表征学习、结构对齐和结构生成等任务中激发进一步的改进。

    Jun, 2024

  • DeepSF: 深度卷积神经网络用于蛋白质序列到褶皱的映射

    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

  • 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

  • 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

  • FoldToken: 通过向量量化及更多方式学习蛋白质语言

    通过引入 FoldTokenizer 和 SoftCVQ 等创新性方法，本研究在蛋白质序列 - 结构描述方面取得了突破性进展，将蛋白质序列与结构转化成统一的模态，构建了首个用于序列 - 结构共同生成的 GPT 风格模型 FoldGPT，并在蛋白质背骨填充和抗体设计任务中取得了有希望的结果。

    Feb, 2024

  • 蛋白质骨架生成的 SE (3)- 随机流匹配

    FoldFlow 是一系列基于流匹配范式的新型生成模型，通过流动匹配 3D 刚体运动（即群 SE (3)），实现对蛋白质主链的准确建模，具备比其他方法更稳定、更快速的训练能力，并可以将任何不变的源分布映射到 SE (3) 上的任何不变的目标分布。

    Oct, 2023

  • 利用 Transformer 神经网络同时考虑序列和结构进行蛋白质预测任务

    本研究通过转换神经网络来实现蛋白质序列与三级结构的联合表示，进而提高了与功能相关的预测任务的表现，包括超家族成员预测。

    Jun, 2022

  • 通过多序列比对改进蛋白质三级结构预测

    该研究利用语言生成模型 MSA-Augmenter 及大规模 MSA 技术，微调 AlphaFold2 蛋白质结构预测模型在缺乏同源家族数据库的情况下，生成补充性的未见过的蛋白质序列，从而提高蛋白质结构预测准确性。

    Jun, 2023

  • 基于展开算法学习的 RNA 次级结构预测

    我们提出了一种端到端的深度学习模型 E2Efold，用于 RNA 二级结构预测，可以有效地考虑问题中的固有约束，并通过约束规划的未卷积算法作为深度结构的模板强制实施约束，全面实验表明，E2Efold 具有优越的性能：相对于之前的 SOTA，特别是对于伪结节数量结构的预测具有显著的改进，同时推断时间也不会慢于最快的算法。

    Feb, 2020