利用进化抽样改进基于少样本学习的蛋白质工程

May, 2023

利用进化抽样改进基于少样本学习的蛋白质工程

Improving few-shot learning-based protein engineering with evolutionary sampling

M. Zaki Jawaid, Robin W. Yeo, Aayushma Gautam, T. Blair Gainous, Daniel O. Hart...

TL;DR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。

Abstract

Designing novel functional proteins remains a slow and expensive process due to a variety of protein engineering challenges; in particular, the number of protein variants that can be experimentally tested in a given assay pales in comparison to the vastness of the overall sequence spac

protein engineering few-shot learning monte carlo markov chain fitness landscape gene activators

发现论文，激发创造

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

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

基于树搜索的进化赌博机算法用于蛋白质序列优化

利用树搜索和强化学习模型，提高蛋白质工程过程的效率，并在实验中展示了其样本高效和小突变数量下找到顶级设计的能力。

Jan, 2024

利用基于图形平滑的 Gibbs 采样进行蛋白质适应性优化

本文提出了一种基于 Gibbs 采样和基于图形平滑的方法，旨在消除对变异距离的限制并实现高效探索，该方法在从训练集获得的高适应性蛋白质的发现方面处于领先地位。

Jul, 2023

演化算法模拟分子进化：一个新的领域提议

通过将进化算法、机器学习和生物信息学相结合，我们提出了一种计算方法，可以扩展已知功能蛋白家族的词汇表，进而发展出以前从未存在过的全新蛋白质，从而推动计算进化的新子领域的发展。