Jun, 2024

ALPHAGMUT: 基于理性引导的 Alpha Shape 图神经网络用于评估突变效果

PDF
TL;DR通过计算蛋白质结构的 α 形状，利用结构信息和序列属性来评估突变效应，区分有病原性突变和无病原性突变的基于图神经网络的 AlphaGMut 新方法在性能指标上优于 DeepMind 的 AlphaMissense 等现有方法。
in silico methodsmutation effectsgraph neural networkpathogenic mutationsneutral mutations
发现论文，激发创造
  • 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

  • 利用等变图神经网络预测多个氨基酸替换下的蛋白质稳定性变化

    本文提出了一种基于 E (3)-equivariant graph neural networks (EGNNs) 的蛋白稳定性预测模型，该模型可以预测可变数目的氨基酸替换对蛋白稳定性的影响，并使用 Mega-scale 数据集进行有效训练。

    May, 2023

  • 利用等变图神经网络预测蛋白质变异体

    通过使用改良版图神经网络和序列为基础的方法进行比较，本文旨在填补预测最优蛋白变体的结构和基序方法之间的研究缺口，结果显示出使用这种新方法在训练更少的分子数量时实现了接近基序方法的竞争性性能，此外，将结构预训练模型与测定的标记数据相结合，可以产生与序列预训练模型类似的趋势。

    Jun, 2023

  • 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

  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 预测基因突变的功能丧失影响：一种机器学习方法

    本文研究了利用下一代测序技术进行基因组测序以及使用机器学习模型预测 LoFtool 分数和基因突变的相关特性，通过建立多个模型并评估其性能，得到了测试集 r 平方值为 0.97 的结果。

    Jan, 2024

  • 基于癌症启发的基因组编图模型生成具有所需基因组特征的合成 DNA 序列

    文章提出了一种结合遗传算法和深度学习的癌症灵感的基因组绘图模型 (CGMM)，用于生成合成基因组以进行研究验证，并证明其在两项不同任务中优于当前四种最先进的基因组生成器，适用于基因组医学的诊断和治疗。

    May, 2023

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 通过输出梯度为深度和递归神经网络提供安全突变

    该论文提出了一种通过引入安全变异算子来增加深度神经网络的进化能力的方法，这种方法基于梯度的变异算子可以在高维度问题中发现解决方案，该算子不需要额外的环境交互，这扩展了神经进化的适用域。

    Dec, 2017

  • 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