Dec, 2023

MMDesign：多模态迁移学习用于生成蛋白质设计

PDF
TL;DRMMDesign 是一个结合了先前结构模块和语境模块的预训练模型的新型蛋白质设计范式，利用自编码器（AE）语言模型将蛋白质序列的先验语义知识纳入其中，并引入了一种跨层跨模态对齐算法来确保结构模块学习到长期时间信息并保持结构和语境模态的一致性，在仅使用小规模 CATH 数据集进行训练的实验结果表明，我们的 MMDesign 框架在各种公共测试集上始终优于其他基线方法，并提出了系统性定量分析技术来评估生成的蛋白质序列和数据分布的生物可能性，以展示其可解释性并揭示蛋白质设计的规律。
发现论文，激发创造
  • 治疗性肽生成的多模态对比扩散模型

    本研究提出了一种多模态对比扩散模型（MMCD），将序列和结构两种模态在扩散框架中融合，旨在共同生成新的多肽序列和结构。MMCD 通过构建序列模态和结构模态的扩散模型，并在每个扩散步骤中采用多模态对比学习策略，通过交叉对比和内部对比来捕捉两种模态之间的一致性，提高模型性能。广泛的实验表明，MMCD 在生成治疗性肽段方面优于其他最先进的深度生成方法，包括抗菌 / 抗癌评分、多样性和肽段对接等多个指标。

    Dec, 2023

  • 基於深度生成模型的條件分子設計

    本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

    Apr, 2018

  • 面向目标的多模态蛋白质表示学习的配体生成的变分自编码器

    这篇研究论文介绍了一种名为 TargetVAE 的目标感知变分自编码器，它能够根据蛋白质目标，通过使用基于图变换器的新颖多模态深度神经网络作为生成模型的先验，产生具有高结合亲和力的配体，从而在药物发现中减小潜在药物候选的搜索空间。

    Aug, 2023

  • 蛋白质折叠模拟的几何解耦表示学习

    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

  • 捕捉蛋白质序列 - 结构 - 功能关系的蛋白质表示学习

    蛋白质表示学习旨在从蛋白质数据库中提取知识，以应用于各种蛋白质相关的下游任务，我们引入了新颖的不对称多模态掩码自编码器（AMMA），利用统一多模态编码器将蛋白质序列、结构和功能三种关键形态集成为统一的表示空间，通过不对称解码器确保序列潜在特征反映结构和功能信息，实验表明 AMMA 在学习展现良好间模态关系的蛋白质表示方面具有极高的效果，进而使其在各种蛋白质相关的下游任务中发挥作用。

    Apr, 2024

  • 文本引导的蛋白质设计框架

    提出了一种多模态框架 ProteinDT，旨在改进蛋白设计。通过结合文本信息和蛋白表征，该框架在蛋白性质预测和生成方面取得了令人满意的结果，并构建了一个大型数据集 SwissProtCLAP 来训练模型。

    Feb, 2023

  • 使用等变平移技术进行蛋白质序列和结构联合设计

    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

  • 全局上下文生成全新蛋白质设计

    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

  • 利用深度生成模型进行蛋白质序列设计

    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

  • 应用生成预训练自回归转换器图神经网络分析和发现新型蛋白质

    利用基于语言模型的灵活深度学习策略，基于一个完全基于提示的模型，将 transformer 和图卷积架构集成到因果多头图机制中，实现一个生成预训练模型，用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务，并可用于设计具有这些特性的蛋白质，这个模型展现了多任务和协同作用的应用价值。

    May, 2023