Dec, 2023

蛋白质语言模型驱动的蛋白质序列预测三维配体结合位点

PDF
TL;DR预测蛋白质的配体结合位点对于理解蛋白质功能和筛选潜在药物是一项基础而重要的任务。通过使用蛋白序列和配体分子图作为输入，LaMPSite 模型能够在没有 3D 蛋白质结构信息的情况下预测结合位点，与需要 3D 结构的基准方法相比具有竞争力的性能，这为药物发现提供了新的机会。
ligand binding sitesprotein holo-structureslampsiteprotein language modelprotein-ligand interaction embedding
发现论文，激发创造
  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

    Dec, 2017

  • 生成用于目标蛋白结合的 3D 分子

    本文提出了一种机器学习方法 GraphBP，基于图神经网络生成结合给定蛋白的三维分子，逐步放置指定类型和位置的原子至给定结合位点，实验结果表明该方法有效。

    Apr, 2022

  • 元模型改进的配体 - 蛋白结合亲和力预测

    通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

    Oct, 2023

  • 利用联合全局局部交互建模预测蛋白质 - 配体结合亲和力

    提出了一种新颖的全局 - 局部相互作用（GLI）框架，用于预测蛋白质 - 配体结合亲和力，通过考虑蛋白质和配体之间的多级相互作用，包括闭合原子之间的高能短程相互作用和非成键原子之间的低能远程相互作用，全局嵌入长程相互作用并分别聚合本地短程相互作用，在各种基于神经网络的模块中获得了更好的预测精度，且该框架与各种神经网络体系结构兼容，且具有适中的计算成本。

    Sep, 2022

  • 细粒度相互作用中的蛋白质 - 配体结合表示学习

    我们提出了一种自监督学习的方法来学习蛋白质 - 配体结合表示，通过识别复杂的结合模式，从细粒度的相互作用中获得丰富的结合信息。我们的方法在各种结合任务中展现出优势，包括蛋白质 - 配体亲和性预测、虚拟筛选和蛋白质 - 配体对接。

    Nov, 2023

  • 用于基于结构药物设计的三维生成模型

    本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

    Mar, 2022

  • 蛋白质配体结合基团的综合结构分类

    通过数据库搜索和匹配算法，对蛋白数据银行中超过 18 万个配体结合位点进行了全对比，共确定了约 3000 个明确定义的配体结合位点的结构模式，并发现这些结构通常局限于单个家族或超家族，并与特定的配体相关联。同时，分析了相似性网络的组成，并列举了超过 4000 对在不同蛋白质折叠中共享的配体结合位点。

    Oct, 2008

  • 卷积神经网络在蛋白质 - 配体评分中的应用

    本研究利用深度卷积神经网络结合大量蛋白质配体结合和结构数据，开发了一种新的评价蛋白质配体相互作用的计算方法，可以用于计算机辅助新药研发并取得了比传统方法更好的效果。

    Dec, 2016

  • 原子卷积网络用于预测蛋白质 - 配体结合亲和力

    本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。

    Mar, 2017

  • 蛋白质语言模型与结构预测：联系与进展

    本文系统地概述了蛋白质语言模型在蛋白质结构预测中的应用和方法，介绍了网络架构、预训练策略、常用蛋白质数据库等方面的最新进展和挑战，并展望了未来发展方向。

    Nov, 2022