Feb, 2024

EvolMPNN: 通过进化编码预测同源蛋白质的突变效应

PDF
TL;DR为了预测蛋白质属性，我们提出了 EvolMPNN，即进化感知的消息传递神经网络，通过采样锚定蛋白质集合、计算进化信息以及不可微分的进化感知聚合方案，学习进化感知的蛋白质嵌入，并将其与序列嵌入相结合，生成综合蛋白质嵌入，该模型在性能和推理速度方面优于现有方法。
protein propertiesprotein engineeringevolution-aware message passing neural networkevolutionary informationcomprehensive protein embeddings
发现论文，激发创造
  • 盲突变影响预测的多级蛋白质表示学习

    本文提出了一种新的预训练框架，它将用于蛋白质主体结构和三级结构的序列和几何分析器级联，模拟野生型蛋白质的自然选择并评估变体的效果，以指导遗传突变方向，实现所需特征，提出了一种新的变体影响预测方法，其预测结果在单点和深部变异方面表现良好。

    Jun, 2023

  • 使用轻量级等变图神经网络准确预测突变效应

    通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。

    Apr, 2023

  • 利用等变图神经网络预测蛋白质变异体

    通过使用改良版图神经网络和序列为基础的方法进行比较，本文旨在填补预测最优蛋白变体的结构和基序方法之间的研究缺口，结果显示出使用这种新方法在训练更少的分子数量时实现了接近基序方法的竞争性性能，此外，将结构预训练模型与测定的标记数据相结合，可以产生与序列预训练模型类似的趋势。

    Jun, 2023

  • 蛋白质通路作为人工神经网络拓扑进化的催化剂

    本文提出基于蛋白质网络结构特性、相互作用和动态性的新型生物启发式设计 —— 人工蛋白质网络（APN），从而在神经网络的进化过程中产生了一种新的理念转变。

    Jun, 2024

  • 利用等变图神经网络预测多个氨基酸替换下的蛋白质稳定性变化

    本文提出了一种基于 E (3)-equivariant graph neural networks (EGNNs) 的蛋白稳定性预测模型，该模型可以预测可变数目的氨基酸替换对蛋白稳定性的影响，并使用 Mega-scale 数据集进行有效训练。

    May, 2023

  • 利用进化抽样改进基于少样本学习的蛋白质工程

    本文提出一种少样本学习的方法来设计新的功能性蛋白质，该方法包括半监督迁移学习生成离散可行解空间和新型进化蒙特卡罗马尔可夫链采样算法更高效地探索可行解空间。我们在实验中展示了该方法设计出的高适应度基因激活剂有着比现有方法显著的命中率提升，且该方法可以轻松应用在其他蛋白质工程和设计问题中。

    May, 2023

  • 利用机器学习辅助的组合库定向蛋白质进化

    通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

    Feb, 2019

  • 演化算法模拟分子进化：一个新的领域提议

    通过将进化算法、机器学习和生物信息学相结合，我们提出了一种计算方法，可以扩展已知功能蛋白家族的词汇表，进而发展出以前从未存在过的全新蛋白质，从而推动计算进化的新子领域的发展。

    Feb, 2024

  • PEvoLM：蛋白质序列演化信息语言模型

    该研究使用嵌入语言模型（ELMo）将蛋白质序列转化为数字向量表示，引入一种新颖的双向语言模型（bi-LM）以降低参数数量并使用单一路径进行预测，同时进行多任务学习以获取蛋白质序列的进化信息。

    Aug, 2023

  • 蛋白质突变影响预测的多级交互建模

    通过自我监督的多层预训练框架 ProMIM，全面捕获三个层级的蛋白质相互作用，该框架在标准基准测试中表现优异，特别是在可能导致蛋白质背骨构象显著变化的突变上，还能进行零样本评估，显示了其作为新一代强大的药物开发工具在 SARS-CoV-2 突变效应预测和抗体优化方面的潜力。

    May, 2024