ICLRMar, 2024

深度强化学习建模蛋白复合物

PDF
TL;DR使用 Generative Adversarial Policy Network（GAPN）通过策略梯度优化的领域特定奖励和对抗性损失来自动预测多链蛋白质复合物的结构，相较于最先进的 PCM 软件，GAPN 在 TM-Score 方面提升了 27%，速度提升了 600 倍。
alphafoldmulti-chain protein complexesprotein complex modellinggenerative adversarial policy networkpcm prediction
发现论文，激发创造
  • 面向目标的分子图生成的图卷积策略网络

    该研究提出了图卷积策略网络 (GCPN) 作为一种通过强化学习进行目标导向图形生成的算法。该模型通过策略梯度来优化特定领域的奖励和对抗损失，并在包含特定领域规则的环境中执行。实验结果表明，GCPN 在化学性质优化上比现有技术基线提高了 61％，同时产生的分子类似已知分子， 在约束属性优化任务上实现了 184％的提高。

    Jun, 2018

  • 蛋白质折叠模拟的几何解耦表示学习

    利用生成型神经网络学习药物靶标蛋白结构的结构集合，以便于更好的理解药物机理和发展治疗方法，同时通过蛋白几何自编码器模型在蛋白质的内在和外在几何学上进行分离编码，快速生成蛋白质构象的方案。

    May, 2022

  • Anfinsen Goes Neural: 一种基于图模型的条件抗体设计

    抗体设计，深度学习，蛋白质知识，Anfinsen Goes Neural, 现有技术

    Feb, 2024

  • SGNet：深度学习中对称蛋白质复合物的折叠

    我们提出了一种名为 SGNet 的蛋白质折叠框架，以建模对称组装中的蛋白质相互作用，从而解决了对称蛋白质复合物中的计算问题。我们的方法在四聚体蛋白质结构预测中可以模拟所有全局对称类型，并在对称蛋白质复合物基准测试上展示了其有效性。

    Mar, 2024

  • 蛋白质主干在三维中的概率扩散建模：用于基序支架问题

    利用 E (3)- 等变图神经网络学习分布并通过 SMCDiff 有效地从大量的蛋白质背骨结构中对指定基序进行条件采样构造支架结构，可在保证结构多样性的情况下采样长达 80 个氨基酸残基长度的支架，同时对于固定的基序可获得多样性的构架结构。

    Jun, 2022

  • AlphaDesign：一种基于图形的蛋白质设计方法， 并在 AlphaFoldDB 上进行了基准测试

    该研究基于 AlphaFold DB 建立了一个新的基于图的基准测试 AlphaDesign，并提出了一种使用蛋白质角度作为新特征、使用简化图变换器编码器（SGT）和使用自信蛋白解码器（CPD）来提高精度的新方法 - ADesign。实验表明，此方法比以前的图形模型表现要好得多，均值精度提高了 8％，推断速度比以前快 40 多倍。

    Feb, 2022

  • 通过强化学习进行基于蛋白质靶点特异性支架抑制剂的设计

    本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

    May, 2022

  • 基于结构感知的交互式图神经网络用于预测蛋白质 - 配体结合亲和力

    本研究提出了一种结构感知交互图神经网络 (SIGN)，用于预测蛋白质 - 配体复合物的亲和力。SIGN 包含极性启发式图注意力层（PGAL）和配对交互池（PiPool）两个部分，能充分利用生物分子结构信息并考虑原子之间的长程相互作用，在两个基准测试中显示其优越性。

    Jul, 2021

  • PLA-SGCN: 蛋白质 - 配体结合亲和力预测的相似对和半监督图卷积网络的整合

    本文提出了一种利用半监督图卷积网络（GCN）在蛋白质 - 配体亲和性（PLA）预测中整合了相似困难样本的方法，通过同时检索相似困难样本、学习蛋白质 - 配体描述符、学习输入样本的图拓扑结构以及使用半监督 GCN 进行任务预测，显著优于相似方法。

    May, 2024

  • 基于图形的深度生成模型用于新型 PROTAC 设计

    通过生成模型和加强学习，我们展示了在缺少数据的情况下，如何基于 PROteolysis TArgeting Chimeras（PROTACs）的特性设计出一类具有卓越的蛋白质降解能力的新型分子。

    Nov, 2022