Nov, 2023

PepLand：一个大规模、预训练的肽段表示模型，用于全面探测经典和非经典氨基酸的景观

PDF
TL;DR我们提出了 PepLand，它是一种新颖的预训练架构，用于表示和属性分析既包括规范又包括非规范氨基酸的多肽。经验验证证实了 PepLand 在蛋白质相互作用、渗透性、溶解度和合成能力等各种多肽性质预测中的有效性，为多肽中心研究领域的转变性进展奠定了坚实的基础。
发现论文，激发创造
  • PepHarmony: 一个用于综合序列和基于结构的肽编码的多视角对比学习框架

    该研究介绍了一种新颖的多视角对比学习框架 PepHarmony，用于序列化的肽编码任务，它创新性地将序列和结构级别信息结合到序列级编码模块中，并通过对比学习捕捉了肽序列和结构之间的复杂关系。此框架对于肽表示具有显著的能力，并为肽药物发现和肽工程的未来应用提供了有价值的见解。

    Jan, 2024

  • PepGB: 通过图神经网络促进肽类药物发现

    利用深度学习技术，本文提出了 PepGB 和 diPepGB 两个深度学习框架，用于预测肽蛋白相互作用关系，以促进肽类早期药物发现，提高目标识别和化合物发现过程中的效率。

    Jan, 2024

  • PeptideBERT: 基于 Transformers 的肽性质预测语言模型

    通过使用 Transformer 和 PeptideBERT 等 Language Models，本研究引入一种蛋白质语言模型，用于预测多肽的溶血性、溶解度和非粘附性等关键性质，并在此基础上获得了近期最佳结果。

    Aug, 2023

  • PepCVAE: 抗微生物肽序列的半监督目标设计

    本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework（PepCVAE），用于设计新型抗菌肽（AMP）序列，通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间，同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间，生成的 AMP 序列表现优于标准 VAE，具有高度多样性，是下一代抗菌设计中非常理想的选择。

    Oct, 2018

  • 通过知识增强的原始结构建模进行蛋白质表示学习

    KeAP 提出了一种利用知识的自编码器方法，通过 token-level 知识图谱探索辅助蛋白质表示学习，取得了比之前更好的结果。

    Jan, 2023

  • 序列与图形编码下肽自组装的高效预测

    这项研究使用先进的深度学习模型对肽的编码进行了全面的基准分析，为肽相关的各种预测提供指导，如等电点、水合自由能等。

    Jul, 2023

  • 肽序列和图形路径的联合建模

    通过融合基于序列和图形编码的深度学习方法，本研究提出了一种名为 RepCon 的肽共建模方法，用于提高鉴别性能。实验证明，RepCon 方法在共建模框架下的优越性以及在模型解释方面的有效性。

    Oct, 2023

  • 低数据环境中蛋白质 - 肽接口预测的改进

    本研究提出了一种新颖的生物模态转换器，通过学习残余联系的界面联合分布来预测蛋白质 - 肽相互作用，并采用来自 PepBDB 和 PDB 的伪蛋白质 - 肽复合物的扩充数据集实现数据扩充，使用神经网络进行训练以代替模板建模方法，从而增加了模型的预测能力。

    May, 2023

  • 基于多模态流匹配的全原子肽设计

    通过基于流匹配框架的第一个多模态深层生成模型 PepFlow，我们成功设计了全原子肽链，以靶向特定蛋白质受体，并在计算肽设计和分析中展现了其显著潜力。

    Jun, 2024

  • ProteinEngine: 通过领域知识强化 LLM 在蛋白工程中的应用

    ProteinEngine 是一个人为中心的平台，通过 API 调用来集成相关工具、软件和包，分配任务、解决专业任务和有效沟通结果，验证了其在蛋白工程任务中提高深度学习可靠性和精确性的优越性，并展示了在未来蛋白工程研究中整合分散工具的潜力。

    Apr, 2024