May, 2023

AF2-Mutation: AlphaFold2 蛋白质三级结构预测的对抗性序列突变

PDF
TL;DR本文探讨了基于深度学习的 AlphaFold2 方法在蛋白质三级结构预测中的优势，以及对于突变的限制。通过进化方法生成对抗性序列，只修改三个氨基酸残基就能使 AlphaFold2 预测结果相差甚远，同时，该方法也能快速识别关键的氨基酸残基和蛋白质的可能性构象，从而大大加速蛋白质结构的实验过程。
发现论文，激发创造
  • 通过多序列比对改进蛋白质三级结构预测

    该研究利用语言生成模型 MSA-Augmenter 及大规模 MSA 技术，微调 AlphaFold2 蛋白质结构预测模型在缺乏同源家族数据库的情况下，生成补充性的未见过的蛋白质序列，从而提高蛋白质结构预测准确性。

    Jun, 2023

  • 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

  • 蛋白质结构预测的精确折叠景观的少样本学习

    使用 EvoGen 元生成模型，结合 AlphaFold2 模型，使得利用少量多序列比对（MSA）系统的性能得到提高，从而精准低数据的蛋白质结构预测。

    Aug, 2022

  • HelixFold-Single: 使用蛋白语言模型作为替代品进行无多序列比对蛋白质结构预测

    本研究提出了一种新的蛋白质结构预测方法 ——HelixFold-Single，它基于大规模蛋白质语言模型，将原始序列代替同源序列用于学习蛋白质序列的共同进化信息，并结合 AlphaFold2 的关键组件预测蛋白质原子的三维坐标，其在 CASP14 和 CAMEO 数据集中准确度表现良好，同时能够节省大量的计算时间。

    Jul, 2022

  • APACE：AlphaFold2 与高级计算作为加速生物物理学发现的服务

    通过引入 APACE 作为计算框架，将 AlphaFold2 和先进计算作为服务相结合，可以在现代超级计算环境中加速蛋白质结构预测分析，从而将蛋白质结构预测的时间从数周缩短到数分钟。

    Aug, 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

  • PiFold：实现高效和有效的蛋白质逆折叠

    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。

    Sep, 2022

  • 基于序列扩增的 SE (3)- 流匹配用于条件蛋白质背骨生成

    利用氨基酸序列的丰富生物归纳偏差，FoldFlow-2 是一种新颖的序列条件的 SE (3)- 等变流匹配模型，用于蛋白质结构生成，并通过在一个比以前的 PDB 数据集大一个数量级的新数据集上进行规模训练，改进了无条件生成的设计能力、多样性和新颖性，同时在平衡构象抽样任务上具有泛化性能。

    May, 2024

  • Fold2Seq: 一种基于序列（1D）- 折叠（3D）嵌入的蛋白设计生成模型

    本研究提出了一种名为 Fold2Seq 的基于转换器的生成框架，以设计新的蛋白质序列并获得所需的三维拓扑折叠形态，结果表明 Fold2Seq 相比现有的最先进方法在速度、覆盖率及可靠性方面具有改进或类似的表现，进一步的应用表明 Fold2Seq 具有优于人工设计和物理学方法的独特优势。

    Jun, 2021

  • 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