提出了一种新颖的图去噪扩散模型,使用氨基酸替代矩阵对扩散过程进行编码,并在多种基准方法中实现了最先进的序列恢复性能,为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。
Jun, 2023
本研究介绍了一种新的基于扩散的生成模型,通过模拟蛋白质的折叠过程,使用一系列连续角度来生成新的蛋白质骨架结构,通过简单的 transformer 骨干训练出高质量的蛋白质结构,并开源了对应的代码库和训练模型。
Sep, 2022
本研究提出了一种潜在的扩散模型,该模型可以在凝聚的潜在空间中灵活捕捉天然蛋白质结构的分布,从而通过等变蛋白自编码器生成高可设计性和高效率的新型蛋白质骨架结构。
May, 2023
我们提出了一种新颖的扩散模型,称为观测引导扩散概率模型 (OGDM),它有效地解决了质量控制和快速采样之间的权衡问题。
Oct, 2023
本文引入了一种生成模型,旨在设计具有特定 3D 结构和化学性质的蛋白质,以实现特定的功能。通过实验数据全面学习,该模型可生成全原子骨架构象以及序列和侧链预测,实现了分子生成建模方法的显著扩大。
May, 2022
使用生物物种信息和扩散模型的生成能力相结合,提出了一种名为 TaxDiff 的生物蛋白序列生成模型,实现了精确控制生成结构稳定蛋白的能力,并在多个蛋白序列生成基准测试中表现出更好的性能。
Feb, 2024
本文提出了一种名为 RGDM 的模型,通过强化学习(RL)引导扩散模型的训练阶段,从而实现对样本生成的控制。在 3D 形状和分子生成任务上的实验表明,该模型相较于现有的条件扩散模型具有显著的改进。
Apr, 2023
通过统一条件训练和条件采样程序,本文基于数学上理解的 Doob 的 h 转换方法提出了一个新的视角,揭示了现有方法之间的联系,并提出了一种新的改进方法,通过在图像外延和结构基元搭建方面的实验证明了其有效性。
Dec, 2023
我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff,用于蛋白质构象的生成,该模型融合了力导向网络和基于数据的评分模型,能够生成具有多样性且高保真性的蛋白质构象。实验证明,我们的方法在多种蛋白质构象预测任务中优于现有方法。
Mar, 2024
本文综述了去噪扩散模型在生物信息学中的应用及其新的发展和应用潜力。
Feb, 2023