利用等变图神经网络预测蛋白质变异体

ICMLJun, 2023

Predicting protein variants with equivariant graph neural networks

Antonia Boca, Simon Mathis

TL;DR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。

Abstract

pre-trained models have been successful in many protein engineering tasks. Most notably, sequence-based models have achieved state-of-the-

发现论文，激发创造

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

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

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

本文提出了一种基于上下文特征的三角函数编码器和旋转平移等变解码器，能够在随机初始化的基础上迭代地将蛋白质序列和结构转化为所需状态，从而设计高保真度的蛋白质的新方法。实验结果表明，该方法在多项任务上均优于现有基线算法，而且比基于抽样的方法更快且可靠。

Oct, 2022

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

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

我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

Apr, 2022

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023

使用变分自编码器对天然蛋白序列进行嵌入，以预测突变对蛋白质功能的影响，并可用于计算引导蛋白质序列空间的探索和更好地指导有理和自动蛋白质设计。

Dec, 2017

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