ICLROct, 2021

蛋白质界面接触预测的几何变换器

PDF
TL;DR本论文介绍了几何变换图形转换器 Geometric Transformer 和预测蛋白质界面接触的终端到终端预测管道 DeepInteract，它通过输入两个蛋白质的 3D 三级结构，预测特定于对象的蛋白质界面接触，成功地超越了现有的界面接触预测方法以及其他图形神经网络骨架，从而验证了 Geometric Transformer 在学习富含关系 - 几何特征方面的有效性。
protein interface contact predictiongeometric transformerdeepinteractcomputational methodsdrug discovery
发现论文，激发创造
  • 低数据环境中蛋白质 - 肽接口预测的改进

    本研究提出了一种新颖的生物模态转换器，通过学习残余联系的界面联合分布来预测蛋白质 - 肽相互作用，并采用来自 PepBDB 和 PDB 的伪蛋白质 - 肽复合物的扩充数据集实现数据扩充，使用神经网络进行训练以代替模板建模方法，从而增加了模型的预测能力。

    May, 2023

  • ETDock: 一种新颖的蛋白质 - 配体对接等变换 Transformer 模型

    应用等变性转换神经网络模型，利用蛋白质和配体的 3D 空间信息以及配体的图级特征进行融合和学习，实现了蛋白质 - 配体对接位姿的预测，并通过迭代优化生成精炼的配体位姿，实验证明该模型具有最先进的性能。

    Oct, 2023

  • ContactNet：基于几何的深度学习模型用于预测蛋白质 - 蛋白质相互作用

    我们开发了一种基于注意力的图神经网络 (ContactNet)，用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型，不需要多序列比对，适用于其他类型的相互作用。

    Jun, 2024

  • 通用等变转换器及其在 3D 分子相互作用学习中的应用

    该论文提出一种通用的分子相互作用模型，通过将三维分子表示为几何图形集的方法，使得能够捕获稀疏块级和密集原子级交互，通过进行广泛的实验证实了该方法对不同领域和不同任务进行可转移的学习具有潜力。

    Jun, 2023

  • 面向蛋白接口预测的高阶交互深度学习

    通过引入 2D dense prediction 方法和序列建模、配对交互等技术，我们提出了一种新的深度神经网络模型，能够通过图神经网络学习节点特征，并预测蛋白质界面的预测性能，并在实验中进行了验证并得出了可靠的结果。

    Jul, 2020

  • 基于分子几何的 Transformer 模型，用于准确建模三维原子系统

    我们提出了一种新颖的 Transformer 架构 Moleformer，它将节点（原子）和边（键和非键原子对）作为输入，并使用旋转不变性和平移不变性的几何感知空间编码来模拟它们之间的相互作用。我们在 OC20 和 QM9 数据集上进行了基准测试，Moleformer 在 OC20 的初始状态到松弛能量预测方面实现了最先进的水平，并且在预测量子化学性质方面与其他 Transformer 和图神经网络方法相比非常有竞争力，证明了所提出的几何感知空间编码在 Moleformer 中的有效性。

    Feb, 2023

  • 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

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • 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

  • 独立 SE（3）等变模型用于端到端刚性蛋白质对接

    本文通过设计 SE（3）- 等变图匹配网络，使用关键点匹配和对齐来逼近配体口袋，并使用可微分 Kabsch 算法预测对接姿态，从而预测蛋白质复合物的 3D 结构，提出了一个名为 EquiDock 的模型。该模型在不需要大量采样、结构精炼或模板的情况下，在大多数情况下都能在计算时间上优于现有的对接软件，但仍需要进行实证研究。

    Nov, 2021