设计合理的蛋白质序列和结构是至关重要的，我们提出了一种基于功能位点的 NAEPro 模型，该模型通过网络注意力和等变层来联合设计蛋白质序列和结构，在两个层次上进行有效而经济的信息传递，实验证明该模型能够设计出与自然蛋白质序列和结构非常相似且具有高度效能的蛋白质。

Oct, 2023

利用人工智能等方法进行蛋白质工程和全新设计的研究方案，如生成模型和扩散过程，能够生成展现出所需特性和功能的全新而真实的蛋白质，在优先测试设计方案方面仍然面临一些挑战，因此需要综合生物化学知识提高性能和可解释性。

Oct, 2023

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

本研究论文提出了一种名为 GeoPro 的方法，用于联合设计蛋白质骨架结构和序列。该方法基于三维骨架结构的等变编码器和由三维几何图形指导的蛋白质序列解码器。实验证明，在两个重要的生物金属蛋白数据集上，GeoPro 在大多数度量标准上优于其他基准方法，能够发现在蛋白质数据库和 UniProt 中不存在的新型 $eta$- 内酰胺酶和肌红蛋白，表现出与天然蛋白类似的稳定折叠和活性位点环境，展示了其在生物功能方面的巨大潜力。

Oct, 2023

利用从蛋白质数据库中提取的文本注释进行生成以及多模态对齐，PAAG（Protein-Annotation Alignment Generation）是一个多模态蛋白质设计框架，可以显式地在序列空间中生成带有特定领域条件的蛋白质，并且可以设计具有不同类型注释的新型蛋白质。与现有模型相比，PAAG 的实验结果在 7 个预测任务中显示出对齐蛋白质表示的优越性，并且在生成成功率方面显著提高（锌指蛋白为 24.7％对比 4.7％，免疫球蛋白结构域为 54.3％对比 8.7％）。

Apr, 2024

该论文综述了近期将机器学习应用于蛋白质序列优化的发展，重点介绍了深度生成方法对这一过程的促进作用。

Apr, 2021

本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

May, 2022

MMDesign 是一个结合了先前结构模块和语境模块的预训练模型的新型蛋白质设计范式，利用自编码器（AE）语言模型将蛋白质序列的先验语义知识纳入其中，并引入了一种跨层跨模态对齐算法来确保结构模块学习到长期时间信息并保持结构和语境模态的一致性，在仅使用小规模 CATH 数据集进行训练的实验结果表明，我们的 MMDesign 框架在各种公共测试集上始终优于其他基线方法，并提出了系统性定量分析技术来评估生成的蛋白质序列和数据分布的生物可能性，以展示其可解释性并揭示蛋白质设计的规律。

Dec, 2023

通过综述最新的生成式人工智能在可控蛋白序列设计方面的进展，本文提出了蛋白质工程、生成式人工智能、蛋白序列设计、优化算法和研究机会等关键词，以及未解决的挑战。

Feb, 2024

该研究总结了在蛋白质研究中使用语言模型的应用，包括设计新型人工蛋白质、使用非 Transformer 结构以及应用于定向进化方面。这些成果已经快速提升了蛋白质研究的发展和性能。

May, 2023