Oct, 2023

通过侧链扩散概率模型预测蛋白质结合的突变效果

PDF
TL;DR利用未标记的实验蛋白质结构，通过基于表示学习的方法，我们提出了 SidechainDiff，它利用了 Riemannian 扩散模型来学习侧链构象的生成过程，并且可以给出蛋白质结合界面上突变的结构背景表示。通过利用这些学习到的表示，我们在预测蛋白质结合突变效果方面取得了最新的研究成果。另外，SidechainDiff 是第一个基于扩散的侧链生成模型，与以往主要集中在生成蛋白质骨架结构的努力有所区别。
发现论文，激发创造
  • Re-Dock: 实现具有扩展性和真实性的分子对接与扩散桥

    通过引入新的任务 —— 灵活对接，以预测配体和口袋侧链的姿态，并引入扩展到几何流形的扩散桥生成模型 Re-Dock，提出了受牛顿 - 欧拉方程启发的能量到几何映射，用于共同建模反映能量约束对接生成过程的结合能和构型，在设计的基准数据集如 apo-dock 和 cross-dock 上进行综合实验证明我们模型相对于现有方法具有更高的有效性和效率。

    Feb, 2024

  • DiffPack: 自回归蛋白质侧链填充的扭转扩散模型

    DiffPack 是一种扭转扩散模型，可以通过对扭曲空间进行扩散和去噪来学习侧链的扭曲角度联合分布，从而实现精确预测蛋白质侧链构象。该方法在多项基准测试中均取得可观的进展，在 CASP13 和 CASP14 上的角度精度分别提高了 11.9％和 13.5％，模型尺寸显著更小。

    Jun, 2023

  • 利用侧面信息通过基于扩散的方法生成配体构象

    通过引入侧面信息，我们提出了一种新方法来生成配体构象，该方法在标准扩散模型中融入了灵活的约束，并使用标量化学特征训练能源模型，从而生成更具生物学意义的构象。

    Aug, 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

  • DiffDock: 分子对接的扩散步骤、扭曲和转折

    本研究通过将分子对接问题视为一种生成建模问题，实现了一个基于扩散过程的 DiffDock 模型，能够准确地预测小分子配体和蛋白质的结合结构，并在准确性和计算效率方面显著优于传统对接和深度学习方法。

    Oct, 2022

  • DiffDock-PP: 用扩散模型进行刚性蛋白质 - 蛋白质对接

    本研究提出了一种基于 DiffDock-PP 的扩散生成模型，能够学习将未束缚的蛋白结构转化为其绑定构象，适用于蛋白质 - 蛋白质对接问题，实现了优于先前方法的性能，并在预测中生成了可靠的置信度估计。

    Apr, 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

  • 通过力导 SE (3) 扩散模型生成蛋白质构象

    我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

    Mar, 2024

  • 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