面向目标的多模态蛋白质表示学习的配体生成的变分自编码器

Aug, 2023

面向目标的多模态蛋白质表示学习的配体生成的变分自编码器

Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning

Nhat Khang Ngo, Truong Son Hy

TL;DR这篇研究论文介绍了一种名为 TargetVAE 的目标感知变分自编码器，它能够根据蛋白质目标，通过使用基于图变换器的新颖多模态深度神经网络作为生成模型的先验，产生具有高结合亲和力的配体，从而在药物发现中减小潜在药物候选的搜索空间。

Abstract

Without knowledge of specific pockets, generating ligands based on the global structure of a protein target plays a crucial role in drug discover

ligands protein drug discovery generative model binding affinity

发现论文，激发创造

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

使用变分自编码器设计金属蛋白和新型蛋白质折叠

利用变分自编码器生成所需属性的蛋白质序列，不需要人为干预，可添加潜在的铜和钙结合位点并与隐马尔可夫模型进行比较，同时开发了蛋白质结构语法用来产生一种新型蛋白质拓扑结构。该模型能够限制蛋白质序列的搜索空间，易于扩展，有助于各种蛋白质设计任务。

Jun, 2018

MMDesign：多模态迁移学习用于生成蛋白质设计

MMDesign 是一个结合了先前结构模块和语境模块的预训练模型的新型蛋白质设计范式，利用自编码器（AE）语言模型将蛋白质序列的先验语义知识纳入其中，并引入了一种跨层跨模态对齐算法来确保结构模块学习到长期时间信息并保持结构和语境模态的一致性，在仅使用小规模 CATH 数据集进行训练的实验结果表明，我们的 MMDesign 框架在各种公共测试集上始终优于其他基线方法，并提出了系统性定量分析技术来评估生成的蛋白质序列和数据分布的生物可能性，以展示其可解释性并揭示蛋白质设计的规律。

Dec, 2023

多模式深度生成模型的变分混合专家自编码器

本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

Nov, 2019

通过解释性变分自编码器生成三级蛋白质结构

本文提出并评估了一种利用生成深度学习的图形生成模型，生成蛋白质的功能相关三维结构的替代方法，并评价了几种深层结构的全面评估。

Apr, 2020

使用去噪扩散概率模型对分子图进行变分自编码

本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

Jul, 2023

基于条件变分自编码器的分子生成模型，用于新型分子设计

提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。