Jun, 2022

使用长短时记忆模型预测 GPCR 分子动力学中 3D 氨基酸位置

PDF
TL;DR本研究评估了长短时记忆网络 （LSTM）学习和预测受体的分子动态轨迹的能力。实验表明，该方法在分析 G 蛋白偶联受体分子动态时表现出强大的性能，可用于药物预测及蛋白质结构分析等领域。
g-protein coupled receptorslong short-term memory networksmolecular dynamicsdrug predictionprotein structure
发现论文，激发创造
  • GPCR-BERT：使用蛋白质语言模型解释 G 蛋白偶联受体的连续设计

    本研究使用 Transformers 和 Large Language Models (LLMs) 开发了 GPCR-BERT 模型，用于理解 G 蛋白偶联受体 (GPCRs) 的顺序设计，揭示了氨基酸序列、配体选择性和构象模体之间的关系，并通过对模型的注意权重和隐藏状态的解释，实现了在掩蔽氨基酸类型方面的精确预测，同时分析了三维结构中的高阶相互作用。

    Oct, 2023

  • 使用长短期记忆网络进行蛋白质二级结构预测

    本文提出了一种基于双向长短期记忆细胞（LSTM）的循环神经网络模型来预测蛋白质的二级结构，使用 CB513 数据集评估，结果显示在 8 个类别中具有更好的性能（0.674）比现有技术（0.664）好。

    Dec, 2014

  • 基于深度生成模型的条件受体结合位点三维分子生成

    本文提出了一种新的基于深度学习的方法来生成可预测结合蛋白质的三维分子结构，对生成的分子进行了性质评估，并探索了生成模型的潜在空间，为利用深度学习从蛋白结构预测稳定的生物活性分子开启了新的可能性。

    Oct, 2021

  • 使用深度生成模型基于受体结合位点生成三维分子结构

    本研究实现了基于深度生成模型、卷积神经网络和可变潜空间的三维分子结构生成，在此基础上，也为优化生成的分子性质提供了初始方法。

    Oct, 2020

  • 用于基于结构药物设计的三维生成模型

    本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

    Mar, 2022

  • 利用长短期记忆网络预测传感器响应时间的减少

    使用 LSTM 网络的模型集合可以准确预测平衡生物传感器响应，从而显著减少响应时间，并提供不确定性估计，为安全性相关决策提供信心。

    Apr, 2024

  • 蛋白质语言模型驱动的蛋白质序列预测三维配体结合位点

    预测蛋白质的配体结合位点对于理解蛋白质功能和筛选潜在药物是一项基础而重要的任务。通过使用蛋白序列和配体分子图作为输入，LaMPSite 模型能够在没有 3D 蛋白质结构信息的情况下预测结合位点，与需要 3D 结构的基准方法相比具有竞争力的性能，这为药物发现提供了新的机会。

    Dec, 2023

  • 利用结构信息学习蛋白质序列嵌入

    本研究提出了一种基于表征学习的框架，将蛋白质序列映射到表示蛋白质结构信息的序列向量中，并通过双向 LSTM 模型和全局结构相似度以及单个蛋白质残基接触映射的反馈机制进行训练，实现了蛋白质序列在预测结构相似性方面的多任务学习，而且该方法在跨膜域预测方面也取得了优异的表现。

    Feb, 2019

  • 从蛋白质语言模型中恢复高阶相互作用

    基于 ESM2 的蛋白质语言模型的傅里叶分析发现了在稀疏 - 崎岖平面上占据主导地位的三个区域，其中两个区域更适合进行稀疏傅里叶变换，通过使用仅 700 万个 ESM2 样本中的相互作用可以在更稀疏的区域获得 0.72 的 R^2，而在更密集的区域可以获得 0.66 的 R^2，将计算时间减少了一万五千倍。

    Mar, 2024

  • 加速蛋白质结构潜在表征分子扩散模型的推断

    使用扩散生成模型结合图神经网络，利用分子结构的潜在表示进行蛋白质结构的训练和优化，提高生成结构质量并减少推理时间。

    Nov, 2023