Mar, 2024

AdaNovo：基于条件互信息的自适应全新肽段测序

PDF
TL;DRAdaNovo 是一个新颖的框架，通过计算光谱与每个氨基酸 / 肽之间的条件互信息（CMI），利用 CMI 进行自适应模型训练，以解决串级质谱在鉴定具有后转录修饰的氨基酸时遇到的挑战，并且在鉴定肽和抗数据噪声方面表现出色。
发现论文，激发创造
  • NovoBench: 基于深度学习的蛋白质组学中 De Novo 肽段测序方法的基准测试

    本文介绍了第一个统一的鲁棒性肽段测序标准 NovoBench，该标准包括多样的质谱数据、整合模型和全面的评估指标，并通过对各种因素的评估，揭示了许多有启发性的发现，为未来的发展开辟了新的可能性。

    Jun, 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

  • 基于 Transformer 的数据独立获得质谱的新肽碱基序列

    Casanovo-DIA 是一种基于 Transformer 架构的深度学习模型，能够从 DIA 质谱数据中解析肽段序列，并显著提高了已有方法的精度和召回率，在氨基酸水平上精度提高 15.14% 至 34.8%，召回率提高 11.62% 至 31.94%，在肽段水平上精度提高 59% 至 81.36%。将 DIA 数据与 Casanovo-DIA 模型集成能够大大提升对生物样本的肽段发现和全面性分析。

    Feb, 2024

  • 基于 GC-EI-MS 光谱的小分子的去新识别

    本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法，主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。

    Apr, 2023

  • 用于全新蛋白质设计的生成式人工智能

    利用人工智能等方法进行蛋白质工程和全新设计的研究方案，如生成模型和扩散过程，能够生成展现出所需特性和功能的全新而真实的蛋白质，在优先测试设计方案方面仍然面临一些挑战，因此需要综合生物化学知识提高性能和可解释性。

    Oct, 2023

  • 深度学习驱动的串联质谱数据库搜索中减少数据偏倚的方法

    DeepSearch 是首个基于深度学习的串联质谱数据库搜索方法，通过改进的转换器编码器 - 解码器架构和对比学习框架，采用数据驱动方法评分肽谱匹配，并以零样本方式对变量翻译修饰进行建模，验证了其准确性和鲁棒性。

    May, 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

  • 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

  • 通过超深度学习模型精准地预测蛋白质接触图谱

    本文提出了一种新的深度学习方法，通过整合进化耦合和序列保守性信息来预测蛋白质的接触，从而大大提高了接触辅助的蛋白质折叠的准确性，并在测试中达到了很好的表现。

    Sep, 2016

  • 使用等变去噪扩散概率模型生成蛋白质结构与序列

    本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

    May, 2022