Jan, 2024

利用层级相互作用进行蛋白质表面学习

PDF
TL;DR在结构生物信息学中，蛋白质间相互作用的预测是最重要且具有挑战性的问题之一。本文提出了一种基于深度学习技术的分层化化学和几何特征交互网络（HCGNet），通过建立化学特征和几何特征之间的分层交互来进行蛋白质表面分析，并通过大量实验证明我们的方法在位点预测任务和相互作用匹配任务上优于之前的最先进方法，分别提高了 2.3% 和 3.2%。
发现论文，激发创造
  • 面向蛋白接口预测的高阶交互深度学习

    通过引入 2D dense prediction 方法和序列建模、配对交互等技术，我们提出了一种新的深度神经网络模型，能够通过图神经网络学习节点特征，并预测蛋白质界面的预测性能，并在实验中进行了验证并得出了可靠的结果。

    Jul, 2020

  • AtomSurf：蛋白质结构学习的表面表示

    通过将蛋白质表示为三维网格表面并将其与基于图的方法相结合，我们提出了一种综合性的框架，融合了表面表示和图像的学习方法，能够在所有测试任务中取得最先进的结果。

    Sep, 2023

  • 蛋白质多尺度表征学习

    本文提出了一种多尺度图构建方法 ——HoloProt，可以连接蛋白表面、结构和序列，并在不同任务上进行了测试，包括配基结合亲和力回归和蛋白质功能预测分类。该模型具有良好的稳定性和可靠性，并且在减少参数数量的情况下可以获得与现有模型相当的性能。

    Apr, 2022

  • 3D 蛋白结构端到端学习用于界面预测

    本研究基于一个大型数据库，通过开发学习模型 SASNet，改进了蛋白质相互作用预测的方法，证明了现有模型的性能不足以适用于大尺度数据，新模型展现出更好的性能。

    Jul, 2018

  • 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

    综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型，并指出了面临的挑战和新的研究方向。

    Oct, 2023

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • ContactNet：基于几何的深度学习模型用于预测蛋白质 - 蛋白质相互作用

    我们开发了一种基于注意力的图神经网络 (ContactNet)，用于将从对接算法中得到的蛋白质相互作用模型分类为准确和错误的模型，不需要多序列比对，适用于其他类型的相互作用。

    Jun, 2024

  • 几何表位和抗原结合位点预测

    本文研究了在识别和中和有害外来分子中抗体 - 抗原相互作用中的最佳表示，强调几何信息的重要性，并比较了应用于蛋白质内部（I-GEP）和外部（O-GEP）结构的不同几何深度学习方法。我们将三维坐标和谱几何描述符作为输入特征，充分利用几何信息。研究结果表明，基于表面的模型比其他方法更高效，并且我们的 O-GEP 实验在性能上取得了显著的改进和最新成果。

    May, 2023

  • 加速无机表面的机器学习预测与原子间势

    固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

    Dec, 2023

  • SurfPro：基于连续表面的功能蛋白设计

    设计具有期望功能的蛋白质可以通过使用 SurfPro 方法来生成具有期望表面和相关生化性质的蛋白质。SurfPro 采用分层编码器逐步建模蛋白质表面的几何形状和生化特征，并使用自回归解码器生成氨基酸序列。我们在标准的逆折叠基准 CATH 4.2 和两个功能蛋白质设计任务（蛋白质结合物设计和酶设计）上评估 SurfPro。我们的 SurfPro 在 CATH 4.2 上实现了 57.78% 的恢复率，并在蛋白质 - 蛋白质结合和酶 - 底物相互作用得分方面取得了更高的成功率。

    May, 2024