Jul, 2023

AbDiffuser：原子层生成体外功能性抗体

PDF
TL;DRAbDiffuser 是一种依对称性且物理信息感知的扩散模型，用于联合生成抗体的三维结构和序列。它基于蛋白质结构的新表示法，依赖于新颖的对齐蛋白质架构，并利用强扩散先验知识来改进去噪过程。我们的方法借助领域知识和物理约束来改善蛋白质扩散，并能处理序列长度改变，同时将内存复杂度降低一个量级，使得骨架和侧链生成成为可能。我们通过理论和实验验证了 AbDiffuser 的有效性，数值实验展示了 AbDiffuser 生成抗体序列和结构属性与参考集密切相似。实验室实验证实了发现的 16 种 HER2 抗体均具有高表达，且 57.1% 的设计是紧密结合物。
发现论文，激发创造
  • SE (3) 扩散的全新抗体设计

    我们引入了 IgDiff，这是一种基于一般蛋白质骨架扩散框架的抗体可变域扩散模型，扩展到处理多条链。我们评估了我们模型生成的结构的可设计性和新颖性，发现 IgDiff 产生出高度可设计的抗体，其中包含了新颖的结合区域。抽样结构的骨干二面角与参考抗体分布显示出良好的一致性。我们实验证实了这些设计的抗体，并发现全部高产。最后，我们将我们的模型与最先进的生成性骨架扩散模型在一系列抗体设计任务中进行了比较，例如互补决定区的设计或将轻链配对到现有重链上，并展示了改进的特性和可设计性。

    May, 2024

  • 在扩散模型中使用力导向抽样改进抗体设计

    通过整合力场能量反馈，在扩散模型的采样过程中引入力的引导，我们的模型 DiffForce 能够生成具有较低能量的 CDRs，提升生成抗体的结构和序列。

    Jun, 2024

  • 面向性质指导的抗体设计的 AntiBARTy 扩散

    通过训练一种基于 BART 的抗体特异性语言模型 AntiBARTy，本研究利用其潜在空间来训练一种属性条件扩散模型，以进行引导 IgG 全新设计，从而有效生成具有改善的计算机辅助溶解度和控制序列多样性的新型抗体。

    Sep, 2023

  • 蛋白质结构生成的潜扩散模型

    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

  • 目标感知分子生成和亲和力预测的 3D 等变扩散

    本研究基于 3D 等变扩散模型实现有标的分子设计，并提出了一种综合的评估框架来评估样本分子的质量，实验结果表明，该模型能够更好地生成具有更逼真的 3D 结构和更好的与蛋白靶点的亲和力，而且在不重新训练的情况下能够提高结合亲和力排名和预测质量。

    Mar, 2023

  • DiffBP: 用于靶向蛋白结合的三维分子生成扩散

    利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。

    Nov, 2022

  • 通过蛋白质折叠扩散生成蛋白结构

    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

  • 自动差分：基于结构的药物设计的自回归扩散建模

    通过基于结构的药物设计方法和自动生成模型 AUTODIFF，以及分子组装策略 conformal motif 和 SE (3)- 等变卷积网络，本研究在 CrossDocked2020 的大范围实验中显示，相较于现有模型，我们的方法在生成具有有效结构和构象的真实分子的同时，并保持较高的结合亲和力方面取得了更好的性能。

    Apr, 2024

  • AbODE: 使用耦合 ODE 的从头设计抗体

    本研究旨在开发一种新型的生成模型 AbODE，利用图形 PDE 扩展来更好地处理与抗体及其与抗原之间的作用有关的信息，从而更好地解决抗体设计面临的中心挑战，包括蛋白质折叠，反相折叠和结合后对接问题。

    May, 2023

  • 基于结构的药物设计的绑定自适应扩散模型

    基于结构的药物设计旨在生成与特定蛋白质靶点结合的三维配体分子。本研究提出了一种名为 Binding-Adaptive Diffusion Models (BindDM) 的新框架，通过自适应地提取负责蛋白质 - 配体相互作用的结合位点的关键部分，使用 SE (3)- 等变神经网络对所选的蛋白质 - 配体子复合物进行处理，并将其与复合物的每个原子传递回来，以在生成具有结合相互作用信息的面向目标的三维分子扩散时增强。实验证明 BindDM 能够生成具有更真实的三维结构和更高结合亲和力的分子，平均 Vina 得分高达 - 5.92，同时保持良好的分子属性。

    Jan, 2024