Feb, 2022

AlphaDesign：一种基于图形的蛋白质设计方法， 并在 AlphaFoldDB 上进行了基准测试

PDF
TL;DR该研究基于 AlphaFold DB 建立了一个新的基于图的基准测试 AlphaDesign，并提出了一种使用蛋白质角度作为新特征、使用简化图变换器编码器（SGT）和使用自信蛋白解码器（CPD）来提高精度的新方法 - ADesign。实验表明，此方法比以前的图形模型表现要好得多，均值精度提高了 8％，推断速度比以前快 40 多倍。
protein designalphafold dbgraph-based benchmarkprotein anglessimplified graph transformer encoder
发现论文，激发创造
  • APACE：AlphaFold2 与高级计算作为加速生物物理学发现的服务

    通过引入 APACE 作为计算框架，将 AlphaFold2 和先进计算作为服务相结合，可以在现代超级计算环境中加速蛋白质结构预测分析，从而将蛋白质结构预测的时间从数周缩短到数分钟。

    Aug, 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

  • 知识设计：通过知识改进推动蛋白质设计的极限

    本研究提出了基于预训练模型和知识感知模块的蛋白质设计方法，在 CATH、TS50 和 TS500 数据集上比以前的 PiFold 方法提高了约 9% 的性能，实现了 60% 以上的恢复率，并通过额外的分析证明了该方法的有效性。

    May, 2023

  • FastFold: 将 AlphaFold 的训练时间从 11 天缩短至 67 小时

    本文提出了 FastFold，它是 AlphaFold 模型的有效实现，使用 Dynamic Axial Parallelism 和 Duality Async Operations 提高模型并行性的扩展效率，还提出 AutoChunk 来自动确定块策略以减少推理期间的内存成本，实验结果表明，FastFold 将总的训练时间从 11 天缩短至 67 小时，在长序列推理中达到了 7.5-9.5 倍的加速，此外，我们将 FastFold 扩展到了 512 个 GPU，实现了 6.02 PetaFLOP/s 的总吞吐量和 90.1% 的并行效率。

    Mar, 2022

  • PDB-Struct: 一项面向基于结构的蛋白质设计的综合评估

    通过引入两个新的度量标准（基于可重复折叠性和稳定性），我们提出了一种新的评估蛋白质设计方法的综合基准，以解决现有评价方法的不足。实验结果表明，ByProt，ProteinMPNN 和 ESM-IF 在我们的基准测试中表现出色，而 ESM-Design 和 AF-Design 在可重复折叠性指标上表现不佳。我们的基准为未来蛋白质设计方法的公正全面评估铺平了道路。

    Nov, 2023

  • SGNet：深度学习中对称蛋白质复合物的折叠

    我们提出了一种名为 SGNet 的蛋白质折叠框架，以建模对称组装中的蛋白质相互作用，从而解决了对称蛋白质复合物中的计算问题。我们的方法在四聚体蛋白质结构预测中可以模拟所有全局对称类型，并在对称蛋白质复合物基准测试上展示了其有效性。

    Mar, 2024

  • 深度学习神经网络在蛋白质计算设计中的应用

    本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

    Jan, 2018

  • AlphaFold 与流匹配相遇：生成蛋白质合集

    生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold 更具优势。当进一步在全原子 MD 的集合上进行训练后，我们的方法能够准确捕捉未知蛋白质的构象灵活性、位置分布和高阶集合观测量。此外，我们的方法可以使静态 PDB 结构多样化，并具有比复制的 MD 轨迹更快的收敛时间，展示了其作为昂贵的基于物理的仿真的替代品的潜力。

    Feb, 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

  • 评估蛋白质结构宇宙中的表示学习

    ProteinWorkshop 是一套用于蛋白质结构上的几何图神经网络表征学习的全面基准套件，通过对大规模预训练和下游任务进行系统评估，旨在建立机器学习和计算生物学社区之间的共同基础，以严谨地比较和推进蛋白质结构表征学习的研究。

    Jun, 2024