May, 2024

通过微环境感知的分层提示学习，预测蛋白质相互作用的突变效应

PDF
TL;DR本研究使用预训练模型来预测蛋白质结合中的氨基酸突变效应，通过构建分层提示编码表和建立掩码微环境模型，成功捕捉到多个结构尺度上的高阶依赖关系以及突变对周围微环境的局部构象变化，该分层提示学习框架在突变效应预测和优化人类抗体对抗 SARS-CoV-2 中表现出卓越的性能和训练效率。
protein-protein bindingamino acid mutationspre-trainingmicroenvironmentmutation effect prediction
发现论文，激发创造
  • 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

  • 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

  • MAPE-PPI: 通过微环境感知蛋白质嵌入实现高效有效的蛋白质相互作用预测

    通过定义氨基酸残基的序列和结构上下文，我们提出了一种微环境感知的蛋白质嵌入（MPAE-PPI）方法，将微环境编码为具有足够大的词汇（例如代码本）的化学有意义的离散代码，用于高效的大规模蛋白质相互作用（PPI）预测。经过广泛实验表明，MPAE-PPI 可以在 PPI 预测中高效而有效地处理数百万个 PPI，具有优异的效果和计算效率。

    Feb, 2024

  • 预训练蛋白质模型注入构象的提示指导

    通过学习可解释、可插入、可扩展的蛋白质提示，将任务相关知识注入预训练蛋白质模型（PTPMs），从而使得 PTPMs 能够生成任务感知的表示，进而在多任务设置下，学习同时序列与交互构象提示的构象感知预训练蛋白质模型，实验证明这种方法显著提高了 PTPMs 在需要构象知识的任务上的性能。

    Feb, 2022

  • 提升泛化能力的蛋白质相互作用设计学习

    通过构建 PPIRef 数据集和使用 PPIformer 模型，本研究发现可以提高蛋白质 - 蛋白质相互作用的突变并表明其在仿真药物研究和疗法改进中的潜力。

    Oct, 2023

  • 图神经网络预训练对蛋白质相互结合亲和力突变效应建模的研究

    本研究开发了一种新的基于深度学习的框架 GraphPPI，能够利用图神经网络中提供的特征预测突变对结合亲和力的影响，并在单点和多点突变方面取得了新的最佳性能。

    Aug, 2020

  • 基于 K-mer 的蛋白质相互作用预测方法改进：混沌游戏表示法、深度学习和降低表示偏差

    通过提取非冗余的匹配数据进行无偏机器学习，开发了能够学习和预测蛋白质编码基因的混沌游戏表示中蛋白质 - 蛋白质相互作用的卷积神经网络模型。

    Oct, 2023

  • 通过侧链扩散概率模型预测蛋白质结合的突变效果

    利用未标记的实验蛋白质结构，通过基于表示学习的方法，我们提出了 SidechainDiff，它利用了 Riemannian 扩散模型来学习侧链构象的生成过程，并且可以给出蛋白质结合界面上突变的结构背景表示。通过利用这些学习到的表示，我们在预测蛋白质结合突变效果方面取得了最新的研究成果。另外，SidechainDiff 是第一个基于扩散的侧链生成模型，与以往主要集中在生成蛋白质骨架结构的努力有所区别。

    Oct, 2023

  • 深度生成模型捕捉突变效应的遗传变异

    提出了一种基于深度学习的模型 DeepSequence，可以预测基因突变对分子属性的影响，具有非线性的高阶约束，是一种能够应用于有关蛋白质和 RNA 相互作用的普适模型。

    Dec, 2017

  • 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

    综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型，并指出了面临的挑战和新的研究方向。

    Oct, 2023