Nov, 2023

PDB-Struct: 一项面向基于结构的蛋白质设计的综合评估

PDF
TL;DR通过引入两个新的度量标准（基于可重复折叠性和稳定性），我们提出了一种新的评估蛋白质设计方法的综合基准，以解决现有评价方法的不足。实验结果表明，ByProt，ProteinMPNN 和 ESM-IF 在我们的基准测试中表现出色，而 ESM-Design 和 AF-Design 在可重复折叠性指标上表现不佳。我们的基准为未来蛋白质设计方法的公正全面评估铺平了道路。
structure-based protein designevaluation methodsrefoldability-based metricstability-based metricpdb-struct benchmark
发现论文，激发创造
  • 评估蛋白质结构宇宙中的表示学习

    ProteinWorkshop 是一套用于蛋白质结构上的几何图神经网络表征学习的全面基准套件，通过对大规模预训练和下游任务进行系统评估，旨在建立机器学习和计算生物学社区之间的共同基础，以严谨地比较和推进蛋白质结构表征学习的研究。

    Jun, 2024

  • AlphaDesign：一种基于图形的蛋白质设计方法， 并在 AlphaFoldDB 上进行了基准测试

    该研究基于 AlphaFold DB 建立了一个新的基于图的基准测试 AlphaDesign，并提出了一种使用蛋白质角度作为新特征、使用简化图变换器编码器（SGT）和使用自信蛋白解码器（CPD）来提高精度的新方法 - ADesign。实验表明，此方法比以前的图形模型表现要好得多，均值精度提高了 8％，推断速度比以前快 40 多倍。

    Feb, 2022

  • 知识设计：通过知识改进推动蛋白质设计的极限

    本研究提出了基于预训练模型和知识感知模块的蛋白质设计方法，在 CATH、TS50 和 TS500 数据集上比以前的 PiFold 方法提高了约 9% 的性能，实现了 60% 以上的恢复率，并通过额外的分析证明了该方法的有效性。

    May, 2023

  • PiFold：实现高效和有效的蛋白质逆折叠

    本论文提出了 PiFold 具有改进恢复能力的新型残基特征提取器和 PiGNN 层，可一次性生成蛋白质序列。实验结果显示，PiFold 能够快速恢复结构，并且在 CATH 4.2，TS50 和 TS500 上的恢复效果也非常好，是以前方法的 70 倍快。

    Sep, 2022

  • 蛋白质模型质量评估的深度迁移学习

    该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法，利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习，达到了最先进的性能表现。

    Apr, 2018

  • 我们至少应该能够设计出良好对接的分子

    该研究提出了一种基于对接的基准模型，用于评估设计药物分子的生成模型性能的局限性，并提出了一种基于简化评分函数的基准模型，以期望实现自动生成有前途的候选药物的目标。

    Jun, 2020

  • EigenFold: 基于扩散模型的生成蛋白质结构预测

    使用 EigenFold 这种扩散生成建模框架，以从给定蛋白质序列中生成结构的分布，更全面地了解模型不确定性，并评估 EigenFold 对于建模和预测折叠转换蛋白质和配体诱导构象变化的能力，该方法在最近的 CAMEO 目标中实现了中位 TMScore 为 0.84，可以更好地捕捉构象情况下的生物学功能。

    Apr, 2023

  • AlphaFold 与流匹配相遇：生成蛋白质合集

    生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold 更具优势。当进一步在全原子 MD 的集合上进行训练后，我们的方法能够准确捕捉未知蛋白质的构象灵活性、位置分布和高阶集合观测量。此外，我们的方法可以使静态 PDB 结构多样化，并具有比复制的 MD 轨迹更快的收敛时间，展示了其作为昂贵的基于物理的仿真的替代品的潜力。

    Feb, 2024

  • ProteinNet：用于蛋白质结构机器学习的标准化数据集

    这篇研究论文介绍了一种名为 ProteinNet 的数据集，在蛋白质序列 - 结构关系的机器学习模型的训练和评估方面提供了一种标准化机制，并提出了一种方法来克服已有数据集中存在的一些挑战。

    Feb, 2019

  • 卷积深度网络用于蛋白质折叠质量评估

    本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

    Jan, 2018