May, 2023

几何表位和抗原结合位点预测

PDF
TL;DR本文研究了在识别和中和有害外来分子中抗体 - 抗原相互作用中的最佳表示，强调几何信息的重要性，并比较了应用于蛋白质内部（I-GEP）和外部（O-GEP）结构的不同几何深度学习方法。我们将三维坐标和谱几何描述符作为输入特征，充分利用几何信息。研究结果表明，基于表面的模型比其他方法更高效，并且我们的 O-GEP 实验在性能上取得了显著的改进和最新成果。
antibody-antigen interactionsbinding sitesgeometric deep learningsurface-based modelsspectral geometric descriptors
发现论文，激发创造
  • 神经信息传递用于联合抗体结合部位 - 表位预测

    通过使用不同的神经消息传递架构，针对抗体的不同特定方面进行预测，我们改进了抗体中的帕拉图普和表位预测，并恢复了有利的定量预测结果。

    May, 2021

  • 多模态对比学习与交互信息性估计提升抗原表位和抗体表位预测

    通过使用抗体和抗原的序列和结构数据，本文提出了一种名为 MIPE 的多模态对比学习和相互信息估计的抗原表位和抗体表位预测方法，MIPE 通过最大化每个模态中与结合和非结合残基的表示并同时对齐单模态表示以获得有效的模态表示；为了利用空间交互信息，MIPE 还包括相互信息估计来计算抗体和抗原之间的估计交互矩阵，从而近似于实际矩阵。大量实验证明了我们的方法相比基线方法的优越性，并且消融实验和可视化结果证明了 MIPE 的优越性，这要归功于通过多模态对比学习获得的更好表示和相互信息估计所理解的交互模式。

    May, 2024

  • BeeTLe: 用于线性 B 细胞表位预测与分类的框架

    提出了一个基于深度学习的多任务框架，用于线性 B 细胞表位预测以及抗体类型特异性表位分类。实验证明了该方法的有效性和卓越的性能。

    Sep, 2023

  • 关注交叉模态抗原表位预测

    本研究利用深度神经网络实现抗体重要区域的预测，与先前的物理模型相比，Parapred 取得了更好的表现，其计算效率得到了显著提高，同时，实现交叉模态注意力，抗体残基与抗原残基相互关注，取得了新的最佳结果和有意义的解释。

    Jun, 2018

  • MATE-Pred: 多模态基于注意力的 TCR-Epitope 相互作用预测器

    MATE-Pred 是一种高度可靠的新方法，通过多模式注意力机制预测 T 细胞受体和表位结合亲和力，展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力，以及在各种药物发现方案中的潜在应用。

    Dec, 2023

  • 基于人工智能的 B 细胞免疫疗法设计

    抗体、机器学习、免疫治疗设计、抗原表位预测以及蛋白质结构是这篇文章所讨论的关键词和主要研究领域，文章评估了常用的数据来源、评价指标和方法可用性，并全面评估了它们的重要性和局限性，讨论了未来的主要挑战。

    Sep, 2023

  • 蛋白质折叠模拟的几何解耦表示学习

    利用生成型神经网络学习药物靶标蛋白结构的结构集合，以便于更好的理解药物机理和发展治疗方法，同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码，快速生成蛋白质构象的方案。

    May, 2022

  • 利用层级相互作用进行蛋白质表面学习

    在结构生物信息学中，蛋白质间相互作用的预测是最重要且具有挑战性的问题之一。本文提出了一种基于深度学习技术的分层化化学和几何特征交互网络（HCGNet），通过建立化学特征和几何特征之间的分层交互来进行蛋白质表面分析，并通过大量实验证明我们的方法在位点预测任务和相互作用匹配任务上优于之前的最先进方法，分别提高了 2.3% 和 3.2%。

    Jan, 2024

  • 蛋白复合物不变嵌入与交叉门多层感知器是一种一次性抗体设计工具

    本文提出了一种深度生成模型，可在一次试验中协同设计抗体 CDR 的一维序列和三维结构，并通过广泛实验证明其性能优于现有方法。

    Apr, 2023

  • 抗体结构 - 序列共设计的分层训练方法

    我们提出了一种层次训练范式 (HTP) 用于抗体序列结构的联合设计，通过结合几何图神经网络和大规模蛋白质语言模型，从几何结构和抗体序列数据库中挖掘进化信息，以确定配体结合位姿和强度，并取得了目前的最优性能。

    Oct, 2023