治疗性肽生成的多模态对比扩散模型

Dec, 2023

治疗性肽生成的多模态对比扩散模型

A Multi-Modal Contrastive Diffusion Model for Therapeutic Peptide Generation

Yongkang Wang, Xuan Liu, Feng Huang, Zhankun Xiong, Wen Zhang

TL;DR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。

Abstract

therapeutic peptides represent a unique class of pharmaceutical agents crucial for the treatment of human diseases. Recently, deep generative models have exhibited remarkable potential for generating therapeutic peptide

therapeutic peptides multi-modal contrastive diffusion model sequence-modal diffusion model structure-modal diffusion model deep generative methods

发现论文，激发创造

MMDesign：多模态迁移学习用于生成蛋白质设计

MMDesign 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。

Dec, 2023

面向使用 SE (3)- 离散扩散的核酸和蛋白质复合物的联合序列结构生成

MMDiff 是一种能同时设计核酸和蛋白质复合物的生成模型，对于蛋白质工程和大分子设计等领域具有重要意义。

Dec, 2023

3M 扩散：基于文本引导的分子图生成的潜在多模态扩散

使用 3M-Diffusion 方法，可以根据给定的文本描述生成与之语义匹配的，高质量、新颖、多样化的分子图。

Mar, 2024

跨模态音乐和图像生成的离散对比扩散

通过提高输入与输出的互信息，利用条件离散对比扩散 (CDCD) 损失和两种对比扩散机制，将对比学习和传统变分目标相结合，我们成功地提高了多模式条件综合生成模型的输入输出对应性并取得了良好的结果。

Jun, 2022

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。