本研究论文提出了一种名为 GeoPro 的方法，用于联合设计蛋白质骨架结构和序列。该方法基于三维骨架结构的等变编码器和由三维几何图形指导的蛋白质序列解码器。实验证明，在两个重要的生物金属蛋白数据集上，GeoPro 在大多数度量标准上优于其他基准方法，能够发现在蛋白质数据库和 UniProt 中不存在的新型 $eta$- 内酰胺酶和肌红蛋白，表现出与天然蛋白类似的稳定折叠和活性位点环境，展示了其在生物功能方面的巨大潜力。

Oct, 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

该论文介绍了一种新的蛋白质设计方法，叫做全局内容感知生成性蛋白质设计方法（GCA），该方法旨在通过操作全局和局部信息，以获得能够折叠成定义结构的新蛋白质序列。实验结果表明，该方法在全新的蛋白质设计中表现良好，并会发布全新的代码和预训练模型。

Apr, 2022

本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

May, 2022

设计具有期望功能的蛋白质可以通过使用 SurfPro 方法来生成具有期望表面和相关生化性质的蛋白质。SurfPro 采用分层编码器逐步建模蛋白质表面的几何形状和生化特征，并使用自回归解码器生成氨基酸序列。我们在标准的逆折叠基准 CATH 4.2 和两个功能蛋白质设计任务（蛋白质结合物设计和酶设计）上评估 SurfPro。我们的 SurfPro 在 CATH 4.2 上实现了 57.78% 的恢复率，并在蛋白质 - 蛋白质结合和酶 - 底物相互作用得分方面取得了更高的成功率。

May, 2024

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

该研究表明，通过分析蛋白质序列之间的相关进化序列变化，可以准确识别与蛋白质配对的残基，从而确定蛋白质复合物的三维结构，可用于残基分辨率下的互作预测，并且随着序列数据库的增长，这种方法可以扩展到基因组范围内蛋白质相互作用网络的阐明和互作预测。

May, 2014

通过挖掘酶数据库中的功能性重要位点和底物来生成酶的氨基酸序列和三维坐标，EnzyGen 提出了一种学习酶设计统一模型的方法，实验结果表明，EnzyGen 在设计与特定底物具有高亲和力的酶方面具有卓越能力。

May, 2024

该论文综述了近期将机器学习应用于蛋白质序列优化的发展，重点介绍了深度生成方法对这一过程的促进作用。

Apr, 2021

蛋白质表示学习是一个具有挑战性的任务，旨在从其氨基酸序列中捕获蛋白质的结构和功能。本文提出了一种神经聚类框架，通过考虑蛋白质的一级和三级结构信息来自动发现蛋白质的关键部分，在四个蛋白质相关任务上取得了最先进的表现。

Mar, 2024