Apr, 2023

使用轻量级等变图神经网络准确预测突变效应

PDF
TL;DR通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。
directed evolutiondeep learninggraph representation learningmutational testingprotein function prediction
发现论文，激发创造
  • 盲突变影响预测的多级蛋白质表示学习

    本文提出了一种新的预训练框架，它将用于蛋白质主体结构和三级结构的序列和几何分析器级联，模拟野生型蛋白质的自然选择并评估变体的效果，以指导遗传突变方向，实现所需特征，提出了一种新的变体影响预测方法，其预测结果在单点和深部变异方面表现良好。

    Jun, 2023

  • 利用等变图神经网络预测蛋白质变异体

    通过使用改良版图神经网络和序列为基础的方法进行比较，本文旨在填补预测最优蛋白变体的结构和基序方法之间的研究缺口，结果显示出使用这种新方法在训练更少的分子数量时实现了接近基序方法的竞争性性能，此外，将结构预训练模型与测定的标记数据相结合，可以产生与序列预训练模型类似的趋势。

    Jun, 2023

  • 利用等变图神经网络预测多个氨基酸替换下的蛋白质稳定性变化

    本文提出了一种基于 E (3)-equivariant graph neural networks (EGNNs) 的蛋白稳定性预测模型，该模型可以预测可变数目的氨基酸替换对蛋白稳定性的影响，并使用 Mega-scale 数据集进行有效训练。

    May, 2023

  • EvolMPNN: 通过进化编码预测同源蛋白质的突变效应

    为了预测蛋白质属性，我们提出了 EvolMPNN，即进化感知的消息传递神经网络，通过采样锚定蛋白质集合、计算进化信息以及不可微分的进化感知聚合方案，学习进化感知的蛋白质嵌入，并将其与序列嵌入相结合，生成综合蛋白质嵌入，该模型在性能和推理速度方面优于现有方法。

    Feb, 2024

  • 利用机器学习辅助的组合库定向蛋白质进化

    通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

    Feb, 2019

  • 深度生成模型捕捉突变效应的遗传变异

    提出了一种基于深度学习的模型 DeepSequence，可以预测基因突变对分子属性的影响，具有非线性的高阶约束，是一种能够应用于有关蛋白质和 RNA 相互作用的普适模型。

    Dec, 2017

  • ALPHAGMUT: 基于理性引导的 Alpha Shape 图神经网络用于评估突变效果

    通过计算蛋白质结构的 α 形状，利用结构信息和序列属性来评估突变效应，区分有病原性突变和无病原性突变的基于图神经网络的 AlphaGMut 新方法在性能指标上优于 DeepMind 的 AlphaMissense 等现有方法。

    Jun, 2024

  • 图神经网络预训练对蛋白质相互结合亲和力突变效应建模的研究

    本研究开发了一种新的基于深度学习的框架 GraphPPI，能够利用图神经网络中提供的特征预测突变对结合亲和力的影响，并在单点和多点突变方面取得了新的最佳性能。

    Aug, 2020

  • 利用进化抽样改进基于少样本学习的蛋白质工程

    本文提出一种少样本学习的方法来设计新的功能性蛋白质，该方法包括半监督迁移学习生成离散可行解空间和新型进化蒙特卡罗马尔可夫链采样算法更高效地探索可行解空间。我们在实验中展示了该方法设计出的高适应度基因激活剂有着比现有方法显著的命中率提升，且该方法可以轻松应用在其他蛋白质工程和设计问题中。

    May, 2023

  • 用于三维大分子结构的等变图神经网络

    应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

    Jun, 2021