May, 2022

深度强化学习重建蛋白质四聚体结构的研究

PDF
TL;DR利用预测的蛋白质间接触来构建蛋白质复合物的四级结构，本研究介绍了一种基于深度强化学习的自学习方法（DRLComplex），并在两个标准数据集上进行了测试，结果表明 DRLComplex 在使用真实接触信息时，可以实现高平均 TM 分数和低平均界面 RMSD，并且相对于其他优化方法，它的表现比较好，验证了它在蛋白质复合物的四级结构重构中的有效性。
发现论文，激发创造
  • 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

  • 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

  • 通过强化学习进行基于蛋白质靶点特异性支架抑制剂的设计

    本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

    May, 2022

  • 卷积深度网络用于蛋白质折叠质量评估

    本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

    Jan, 2018

  • 基于强化学习的可扩展基于碎片的三维分子设计

    本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

    Feb, 2022

  • 深度强化学习建模蛋白复合物

    使用 Generative Adversarial Policy Network（GAPN）通过策略梯度优化的领域特定奖励和对抗性损失来自动预测多链蛋白质复合物的结构，相较于最先进的 PCM 软件，GAPN 在 TM-Score 方面提升了 27%，速度提升了 600 倍。

    Mar, 2024

  • 序列协同演化揭示蛋白质复合物的 3D 接触和结构

    该研究表明，通过分析蛋白质序列之间的相关进化序列变化，可以准确识别与蛋白质配对的残基，从而确定蛋白质复合物的三维结构，可用于残基分辨率下的互作预测，并且随着序列数据库的增长，这种方法可以扩展到基因组范围内蛋白质相互作用网络的阐明和互作预测。

    May, 2014

  • 蛋白质界面接触预测的几何变换器

    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。

    Oct, 2021

  • 通过强化学习动态控制准晶结构的自组装

    我们提出了强化学习来控制补丁颗粒的动力自组装十二边形准晶体（DDQC）。研究发现，通过训练温度控制的最佳策略，我们能够使用估计的策略生成缺陷较少的 DDQC。与传统的固定温度表如退火等相比，通过强化学习获得的温度计划能更高效地复现所需的结构。同时，我们发现强化学习能够自主地发现结构波动增强实现全局稳态的临界温度。估计的策略引导系统朝向临界温度以促进 DDQC 的形成。

    Sep, 2023

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020