本研究旨在设计一种算法，通过实施贪心和 A * 搜索等 AI 策略，自动化分析骨架蛋白 NMR 数据，以解决后基因组时代在了解新发现基因编码的许多未知蛋白质的结构和功能信息方面所面临的挑战。

Jun, 2015

本文提出一种新型单一模型蛋白质质量评估方法 - Qprob，它计算蛋白质结构模型真实质量得分（GDT-TS 得分）与每个蛋白质特征值之间的绝对误差，并使用它们来估计其质量评估的概率密度分布。Qprob 在 11th Critical Assessment of Techniques for Protein Structure Prediction（CASP11）上进行了盲测试，并成功排名为最好的单一模型质量评估方法之一。该方法在预测难模型的蛋白质三级结构和质量评估方面表现出色，并为多个研究领域做出了贡献。

Mar, 2016

研究表明，通过基于序列信息的直接耦合分析 (DCA) 可以预测出蛋白质的接触点，这些预测的接触点可以作为蛋白质构象、复合物形成以及领域结构的计算预测的可靠指南。

Oct, 2011

利用迭代自训练的深度学习模型，我们提出了一种预测原子二维核磁共振（NMR）位移并标记实验光谱峰值的方法，该方法能准确处理中等和大分子，包括多糖。

Mar, 2024

采用持久同调的方法对大分子进行构象变化的分析，并利用持久景观方法进行测试和分类，结果表明这种方法能够成功的识别出分子中活性位点和趋肤通路。

Dec, 2014

通过引入两个新的度量标准（基于可重复折叠性和稳定性），我们提出了一种新的评估蛋白质设计方法的综合基准，以解决现有评价方法的不足。实验结果表明，ByProt，ProteinMPNN 和 ESM-IF 在我们的基准测试中表现出色，而 ESM-Design 和 AF-Design 在可重复折叠性指标上表现不佳。我们的基准为未来蛋白质设计方法的公正全面评估铺平了道路。

Nov, 2023

利用扩散概率模型 (DP 模型) 代替标准评分匹配，DP-CDVAE 模型能够重构和生成与原始 CDVAE 质量统计上可比的晶体结构，并且显著地提高了能量准确性，更好地表示晶体的基态构型。

Aug, 2023

介绍了一种分析高维分布差异的方法，即主要差异分析（PDA）。该方法通过找到最大化 Wasserstein 距离的投影来操作。引入了一种稀疏变体，以识别造成差异的特征。提供了原始极小化问题和其半定松弛的算法。还展示了该方法如何应用于单细胞 RNA-seq 中的不同细胞类型的差异识别。广义框架超越了特定选择的 Wasserstein 距离。

Oct, 2015

本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构，将粒子和共同体的不断变化的结构进行建模，并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来，最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN，在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。

Sep, 2019

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