Jan, 2024

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

PDF
TL;DR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。
protein language modelspeptide sequence representationcontrastive learningpeptide data bankpeptide drug discovery
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

  • PepLand：一个大规模、预训练的肽段表示模型，用于全面探测经典和非经典氨基酸的景观

    我们提出了 PepLand，它是一种新颖的预训练架构，用于表示和属性分析既包括规范又包括非规范氨基酸的多肽。经验验证证实了 PepLand 在蛋白质相互作用、渗透性、溶解度和合成能力等各种多肽性质预测中的有效性，为多肽中心研究领域的转变性进展奠定了坚实的基础。

    Nov, 2023

  • 3D 蛋白质结构的对比表示学习

    本文介绍了一种利用无监督对比学习来学习有意义的蛋白质结构表示的框架，其利用蛋白质数据银行中的蛋白质，展示了这些表示可以用于解决多种任务，如蛋白质功能预测、蛋白质折叠分类、结构相似性预测和蛋白质配体结合亲和力预测。此外，作者还表明，使用该算法预训练的微调网络在许多任务中取得了新的最优结果。

    May, 2022

  • 轻量级对比蛋白质结构序列变换

    本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出卓越的优越性。

    Mar, 2023

  • PepGB: 通过图神经网络促进肽类药物发现

    利用深度学习技术，本文提出了 PepGB 和 diPepGB 两个深度学习框架，用于预测肽蛋白相互作用关系，以促进肽类早期药物发现，提高目标识别和化合物发现过程中的效率。

    Jan, 2024

  • ContraNovo: 提高全新多肽测序的对比学习方法

    ContraNovo 算法是一种创新算法，通过对质谱和肽段之间的关系进行对比学习，并将质量信息纳入肽段解码，从而更高效地解决肽段测序问题，并在两个基准数据集上得到了可靠的结果，显示出其在提升新肽段测序中的潜力。

    Dec, 2023

  • PepCVAE: 抗微生物肽序列的半监督目标设计

    本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework（PepCVAE），用于设计新型抗菌肽（AMP）序列，通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间，同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间，生成的 AMP 序列表现优于标准 VAE，具有高度多样性，是下一代抗菌设计中非常理想的选择。

    Oct, 2018

  • 肽序列和图形路径的联合建模

    通过融合基于序列和图形编码的深度学习方法，本研究提出了一种名为 RepCon 的肽共建模方法，用于提高鉴别性能。实验证明，RepCon 方法在共建模框架下的优越性以及在模型解释方面的有效性。

    Oct, 2023

  • 基于多模态流匹配的全原子肽设计

    通过基于流匹配框架的第一个多模态深层生成模型 PepFlow，我们成功设计了全原子肽链，以靶向特定蛋白质受体，并在计算肽设计和分析中展现了其显著潜力。

    Jun, 2024

  • 序列与图形编码下肽自组装的高效预测

    这项研究使用先进的深度学习模型对肽的编码进行了全面的基准分析，为肽相关的各种预测提供指导，如等电点、水合自由能等。

    Jul, 2023