设计合理的蛋白质序列和结构是至关重要的，我们提出了一种基于功能位点的 NAEPro 模型，该模型通过网络注意力和等变层来联合设计蛋白质序列和结构，在两个层次上进行有效而经济的信息传递，实验证明该模型能够设计出与自然蛋白质序列和结构非常相似且具有高度效能的蛋白质。

Oct, 2023

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

本研究论文提出了一种名为 GeoPro 的方法，用于联合设计蛋白质骨架结构和序列。该方法基于三维骨架结构的等变编码器和由三维几何图形指导的蛋白质序列解码器。实验证明，在两个重要的生物金属蛋白数据集上，GeoPro 在大多数度量标准上优于其他基准方法，能够发现在蛋白质数据库和 UniProt 中不存在的新型 $eta$- 内酰胺酶和肌红蛋白，表现出与天然蛋白类似的稳定折叠和活性位点环境，展示了其在生物功能方面的巨大潜力。

Oct, 2023

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%。

Jan, 2024

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

本文提出了一种基于上下文特征的三角函数编码器和旋转平移等变解码器，能够在随机初始化的基础上迭代地将蛋白质序列和结构转化为所需状态，从而设计高保真度的蛋白质的新方法。实验结果表明，该方法在多项任务上均优于现有基线算法，而且比基于抽样的方法更快且可靠。

Oct, 2022

通过挖掘酶数据库中的功能性重要位点和底物来生成酶的氨基酸序列和三维坐标，EnzyGen 提出了一种学习酶设计统一模型的方法，实验结果表明，EnzyGen 在设计与特定底物具有高亲和力的酶方面具有卓越能力。

May, 2024

本论文提出了 PiFold 具有改进恢复能力的新型残基特征提取器和 PiGNN 层，可一次性生成蛋白质序列。实验结果显示，PiFold 能够快速恢复结构，并且在 CATH 4.2，TS50 和 TS500 上的恢复效果也非常好，是以前方法的 70 倍快。

Sep, 2022

利用 1.2B 的参数语言模型 ProGen，将蛋白质工程视为无监督的序列生成问题，以此利用缺乏昂贵结构注释的蛋白质的日益增长的集合，从而生成出更具有进化多样性的序列，为解决合成生物学、医学和材料科学等领域的根本问题提供了可能。

Mar, 2020

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