Oct, 2023

CrysFormer：基于 3D Patterson 图和部分结构注意力的蛋白质结构预测

PDF
TL;DR本研究提出了基于蛋白质晶体学和偏离结构信息的变压器模型来预测蛋白质的电子密度图，并通过两个新的肽片段数据集证实了方法在较小的数据集规模和计算成本下能够实现精确预测。
protein structuretransformer neural networkprotein crystallographypartial structure informationelectron density maps
发现论文，激发创造
  • 一种利用 Transformer 和 CNN 整合的蛋白质结构预测方法

    基于深度学习方法的 DstruCCN 模型采用了卷积神经网络和监督式 Transformer 蛋白质语言模型，通过结合两者的训练特征以预测蛋白质的 Transformer 结合位点矩阵，然后使用能量最小化重构蛋白质的三维结构。

    Feb, 2024

  • 赋予蛋白质语言模型结构知识

    利用蛋白质结构数据提升蛋白质语言模型的新框架，通过整合结构信息和结构提取模块，优化了预训练语言模型的自注意机制，此框架在蛋白质功能预测上表现优越，为蛋白质建模提供更有效和高效的方法。

    Jan, 2024

  • FFF：基于片段引导的灵活拟合方法用于构建完整蛋白质结构

    提出了一种名为 FFF 的新方法，通过结合片段识别和结构预测方法构建完整的蛋白质结构，采用多级识别网络捕获输入的三维冷冻电镜地图的各种结构特征并使用伪肽向量和基于这些特征的蛋白质序列比对方法生成蛋白质结构片段，最后，通过灵活拟合使用预测的蛋白质片段构建完整的结构模型。基于我们的基准测试，FFF 优于基线方法用于构建完整的蛋白质结构。

    Aug, 2023

  • 从冷冻电子显微图像中重建 3D 蛋白质结构的连续分布

    本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构，将粒子和共同体的不断变化的结构进行建模，并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来，最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN，在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。

    Sep, 2019

  • 无限连接的注意力用于周期结构编码

    从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为 Crystalformer 的基于 Transformer 的编码器架构，它只需要原有 Transformer 架构的 29.4% 参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。

    Mar, 2024

  • 一种基于图神经网络的冷冻电镜地图自动建模方法

    本文介绍一种利用图形神经网络（GNN）的自动化方法，通过结合来自冷冻电子显微镜（cryo-EM）数据和氨基酸序列数据以及对蛋白质几何的先验知识，对蛋白质原子模型的自动构建进行改进，并对 28 个测试案例进行了验证。结果表明，在分辨率优于 3.5 Å 的 cryo-EM 图中，我们的方法优于现有技术，并且接近于手动构建。

    Sep, 2022

  • 利用 Transformer 神经网络同时考虑序列和结构进行蛋白质预测任务

    本研究通过转换神经网络来实现蛋白质序列与三级结构的联合表示，进而提高了与功能相关的预测任务的表现，包括超家族成员预测。

    Jun, 2022

  • 基于冰冻电子显微密度图的蛋白质结构的深度学习重建：最新进展与未来的方向

    综述了用于自动重建蛋白质结构的各种深度学习方法，分析了它们的影响，并讨论了为训练深度学习模型准备高质量数据集的挑战。未来，需要开发更先进的深度学习模型，能够有效地将冷冻电镜数据与其他补充数据源（如蛋白质序列和 AlphaFold 预测结构）相结合，以进一步推动领域的发展。

    Sep, 2022

  • cryoSPHERE: 单粒子冷冻电子显微镜的异质重建

    cryoSPHERE 是一种深度学习方法，通过将名义蛋白质结构划分为片段并将其作为近似刚体移动来适应冷冻电镜数据集中的不同构象，以提供足够的约束条件恢复单个蛋白质结构的有意义重建，并在异质重建方面实现了持续改进。

    May, 2024

  • 一天内构建蛋白质：高效三维分子重建

    本文提出一种新的估计框架，利用现代随机优化技术和一种新的技术，在单个工作站上就能够在一天内从大规模数据集中估算出分子的三维结构。

    Apr, 2015