May, 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

PDF
TL;DR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。
protein stabilityamino acid substitutionsdeep learninggraph neural networksmega-scale data-set
发现论文，激发创造
  • 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

  • 应用 eGNNs 在残基和原子图与语言模型信息相结合下，预测多突变下的蛋白结合亲和力：eGRAL

    通过深度学习及图神经网络，使用蛋白质的大规模语言模型提取特征，针对蛋白质复合物中的多个氨基酸替代预测结合亲和力的变化

    May, 2024

  • 使用轻量级等变图神经网络准确预测突变效应

    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。

    Apr, 2023

  • 蛋白质三维图形结构学习用于稳健基于结构的蛋白质性质预测

    通过研究，我们发现当利用 AI 工具（如 AlphaFold2）预测的蛋白质结构时，现有的方法在预测准确性上存在明显的下降，我们将该现象归因于结构表示学习的结构嵌入偏差。为了解决这个问题，我们提出了一种蛋白质结构嵌入对齐优化框架（SAO），并确定了一个稳健蛋白质性质预测的蛋白质三维图结构学习问题（PGSL-RP3），通过大量实验证明了我们的框架在改进预测结构和实验结构的性质预测方面既适用于各种模型，又有效果。

    Oct, 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

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • 利用大型语言模型高效预测单点突变对蛋白质稳定性的影响

    利用大型语言模型（LLM），我们引入了一种 ESM 辅助高效方法，将蛋白质序列和结构特征整合在一起，以预测单点突变引起的蛋白质热稳定性变化，并且我们设计了一个经过细致筛选的数据集，以避免数据泄漏，以便更公平地进行模型比较。

    Dec, 2023

  • VN-EGNN：具虚拟节点的 E (3)- 等变图神经网络增强蛋白质结合位点识别

    通过添加虚拟节点和应用扩展的信息传递方案，扩展了 E (n)-Equivariant Graph Neural Networks (EGNNs)，以提高预测性能，并在 COACH420、HOLO4K 和 PDBbind2020 上表现出卓越的定位结合位点中心的最新技术。

    Apr, 2024

  • 用于蛋白质结构表征学习的有向权重神经网络

    本文提出了一种基于蛋白质氨基酸之间的几何关系的指向性权重神经网络，结合了传统神经网络和等变神经网络，提供更好的蛋白质结构建模方法，并在多个计算生物学应用中取得了最佳表现。

    Jan, 2022

  • 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