May, 2024

蛋白质突变影响预测的多级交互建模

PDF
TL;DR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。
protein-protein interactionsmutationsinteraction modelingpre-training frameworktherapeutic development
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

  • 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

    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。

    May, 2024

  • 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

  • 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

  • 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

  • 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

  • ProLLM: 蛋白链思路增强 LLM 用于蛋白质相互作用预测

    蛋白质 - 蛋白质相互作用的预测对于理解生物功能和疾病发展至关重要，本文介绍了一种基于大型语言模型的新框架 ProLLM，利用 ProCoT 蛋白质推理过程作为自然语言提示，通过结构化数据和自然语言的映射，实现了有效的间接连接蛋白质的预测，从上游到下游追踪蛋白质间的生物信号传递路径。

    Mar, 2024

  • 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

  • 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

  • 利用大型语言模型高效预测单点突变对蛋白质稳定性的影响

    利用大型语言模型（LLM），我们引入了一种 ESM 辅助高效方法，将蛋白质序列和结构特征整合在一起，以预测单点突变引起的蛋白质热稳定性变化，并且我们设计了一个经过细致筛选的数据集，以避免数据泄漏，以便更公平地进行模型比较。

    Dec, 2023