Sep, 2022

PiFold：实现高效和有效的蛋白质逆折叠

PDF
TL;DR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。
protein designstructure-basedpifoldfeaturizerautoregressive
发现论文，激发创造
  • 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

  • 利用深度学习进行抗体序列设计的逆折叠

    给定 3D 结构信息，我们提出了一种经过精调的逆折叠模型，专门针对抗体结构进行优化，在抗体中的序列恢复和结构鲁棒性方面超越通用蛋白质模型，尤其在高变性 CDR-H3 环上改进显著。我们研究了互补决定区的规范构象，发现将这些环编码到已知簇中的方法有所改进。最后，我们考虑了我们模型在药物发现和结合物设计方面的应用，并利用基于物理的方法评估了所提出序列的质量。

    Oct, 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

  • 使用深度贝叶斯优化进行蛋白质反折叠

    使用深度贝叶斯优化来优化难以预测蛋白质序列的反折叠问题，并可应用于其他有约束的情况，能在减少计算资源的情况下产生具有大大降低结构误差的蛋白质序列。

    May, 2023

  • 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

  • EigenFold: 基于扩散模型的生成蛋白质结构预测

    使用 EigenFold 这种扩散生成建模框架，以从给定蛋白质序列中生成结构的分布，更全面地了解模型不确定性，并评估 EigenFold 对于建模和预测折叠转换蛋白质和配体诱导构象变化的能力，该方法在最近的 CAMEO 目标中实现了中位 TMScore 为 0.84，可以更好地捕捉构象情况下的生物学功能。

    Apr, 2023

  • 蛋白质折叠动力学预测的端到端优化管线

    通过使用机器学习模型，本研究提出了一种高准确性、低内存占用的有效方法来预测蛋白质的折叠动力学，相较于现有模型提高了 4.8% 的准确性，内存占用减少了 327 倍，速度提升了 7.3%。

    Sep, 2023

  • 逆蛋白质折叠的图形去噪扩散

    提出了一种新颖的图去噪扩散模型，使用氨基酸替代矩阵对扩散过程进行编码，并在多种基准方法中实现了最先进的序列恢复性能，为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。

    Jun, 2023

  • FoldingZero: 水疏水模型下的蛋白质折叠

    通过深度强化学习训练的 FoldingZero 框架能够自行折叠出一个 2D HP 结构的蛋白质，学习到了隐藏的折叠知识，是一个在蛋白质折叠领域有应用潜力的新方法。

    Dec, 2018

  • 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

    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。

    Feb, 2022