Mar, 2022

几何结构预训练下的蛋白表征学习

PDF
TL;DR本文提出了利用 3D 蛋白结构进行预训练的蛋白质表示方法，并通过多视图对比学习和自我预测任务，实现了对蛋白质的编码。实验结果表明，该方法不仅可以比现有的基于序列的方法更有效地预测蛋白质的功能和褶叠分类，而且使用的预训练数据更少。
protein representationpretrainingprotein structuresmultiview contrastive learningfunction prediction
发现论文，激发创造
  • 通过扩散蛋白质结构模拟的优化，实现高效蛋白质三维几何预训练

    该研究提出了 3D 几何预训练的方法，通过使用专门为蛋白质设计的前置任务 RefineDiff 进行预训练，可以获得有效的蛋白质表征，适用于各种下游任务。

    Feb, 2023

  • 利用子图在 3D 蛋白质结构上进行几何自监督预训练

    本研究通过预训练三维蛋白质结构的图神经网络，利用蛋白质的地理层次结构和亚图与全球结构的关系，提出了一种新的自我监督方法，能够显著提高三维图神经网络在不同蛋白质分类任务中的性能表现。

    Jun, 2024

  • 蛋白质结构感知的自监督学习

    我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

    Apr, 2022

  • 3D 蛋白质结构的对比表示学习

    本文介绍了一种利用无监督对比学习来学习有意义的蛋白质结构表示的框架，其利用蛋白质数据银行中的蛋白质，展示了这些表示可以用于解决多种任务，如蛋白质功能预测、蛋白质折叠分类、结构相似性预测和蛋白质配体结合亲和力预测。此外，作者还表明，使用该算法预训练的微调网络在许多任务中取得了新的最优结果。

    May, 2022

  • 轻量级对比蛋白质结构序列变换

    本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出卓越的优越性。

    Mar, 2023

  • 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

  • 蛋白质表征学习的聚类

    蛋白质表示学习是一个具有挑战性的任务，旨在从其氨基酸序列中捕获蛋白质的结构和功能。本文提出了一种神经聚类框架，通过考虑蛋白质的一级和三级结构信息来自动发现蛋白质的关键部分，在四个蛋白质相关任务上取得了最先进的表现。

    Mar, 2024

  • 蛋白质表征学习综述：回顾与展望

    该研究综述了蛋白质表征学习的发展及其模型架构、先验任务、下游应用等方面，介绍了序列、结构、序列 - 结构配合等三类现有方法，并探讨了蛋白质表征学习存在的技术挑战和发展方向。

    Dec, 2022

  • 用几何向量感知机从蛋白质结构中学习

    通过引入基于几何向量感知器的图神经网络，在大型生物分子的 3D 结构上进行学习并利用其图结构和几何方面，从而在蛋白结构的质量评估和计算蛋白质设计两个重要问题上实现了优化，改进了现有各类体系结构，其中包括最先进的基于图的和基于体素的方法。

    Sep, 2020

  • 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