ICMLJun, 2024

RNA-FrameFlow: 用于 de novo 3D RNA 主干设计的流匹配

PDF
TL;DR利用 RNA-FrameFlow 首次引入了生成模型，用于 3D RNA 骨架设计，建立起适用于 RNA 建模中的数据准备和评估协议，通过 SE (3) 流匹配的方式对应蛋白质骨架生成的方法进行改进，以处理 RNA 建模中的独特挑战，将 RNA 结构形式化为一组刚体框架和相关的损失函数，通过训练结构聚类和裁剪增强方法，缓解了 3D RNA 数据集缺乏多样性的问题，同时定义了一套评估指标以衡量生成的 RNA 结构在全局上是否自洽一致以及是否恢复了 RNA 特定的结构描述符，其中 RNA-FrameFlow 的最佳版本能够生成 40-150 核苷酸的局部真实的 RNA 骨架，其中超过 40％的 RNA 符合我们的有效性标准，即自洽性 TM 分数大于等于 0.45，两个 RNA 具有相同的全局折叠。开源代码：https://this URL
rna-frameflow3d rna backbone designse(3) flow matchingstructural clusteringrna-specific structural descriptors
发现论文，激发创造
  • RNAFlow: 通过逆向折叠流匹配的 RNA 结构和序列设计

    RNAFlow 是一种基于流动匹配模型的蛋白质条件下的 RNA 序列结构设计方法，通过集成 RNA 逆折叠模型和预训练的 RosettaFold2NA 网络生成 RNA 序列和结构，利用条件化的结构去噪网络简化了训练过程，并通过推断的构象集合对逆折叠模型进行增强，从而模拟动态的 RNA 构象。在蛋白质条件下的 RNA 结构和序列生成任务的评估中，证明了 RNAFlow 相对于现有 RNA 设计方法的优势。

    May, 2024

  • 基于序列扩增的 SE (3)- 流匹配用于条件蛋白质背骨生成

    利用氨基酸序列的丰富生物归纳偏差，FoldFlow-2 是一种新颖的序列条件的 SE (3)- 等变流匹配模型，用于蛋白质结构生成，并通过在一个比以前的 PDB 数据集大一个数量级的新数据集上进行规模训练，改进了无条件生成的设计能力、多样性和新颖性，同时在平衡构象抽样任务上具有泛化性能。

    May, 2024

  • 蛋白质骨架生成的 SE (3)- 随机流匹配

    FoldFlow 是一系列基于流匹配范式的新型生成模型，通过流动匹配 3D 刚体运动（即群 SE (3)），实现对蛋白质主链的准确建模，具备比其他方法更稳定、更快速的训练能力，并可以将任何不变的源分布映射到 SE (3) 上的任何不变的目标分布。

    Oct, 2023

  • 基于 SE (3) 流匹配的改进图案框架

    蛋白质设计中，基于模体的脚手架技术用于构建功能性蛋白质，但生成的脚手架缺乏结构多样性，限制了湿实验验证的成功。本研究通过两种互补方法，在使用 FrameFlow 进行脚手架设计时实现了较高成功率和更多结构多样性的脚手架生成。

    Jan, 2024

  • 基于几何多图神经网络的多状态 RNA 设计

    本文提出了 gRNAde，这是一个几何 RNA 设计流程，它基于一组 3D RNA 主干结构操作，以显式考虑和反映 RNA 弯曲多样性来进行设计，可以改善多状态和结构多样的 RNAs 的生产。

    May, 2023

  • AlphaFold 与流匹配相遇：生成蛋白质合集

    生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold 更具优势。当进一步在全原子 MD 的集合上进行训练后，我们的方法能够准确捕捉未知蛋白质的构象灵活性、位置分布和高阶集合观测量。此外，我们的方法可以使静态 PDB 结构多样化，并具有比复制的 MD 轨迹更快的收敛时间，展示了其作为昂贵的基于物理的仿真的替代品的潜力。

    Feb, 2024

  • 基于三级结构生成的 RNA 设计

    通过细胞的 3D 生物大分子和人工智能技术的学习，RNA 的 Tertiary 结构建模是一个关键问题，该研究展示了该模型的有效性，有望在 RNA 的设计方面提供更大的帮助。

    Jan, 2023

  • F$^3$low: 使用 SE (3) 引导的流匹配的逐帧粗粒度分子动力学模拟

    基于 Flow-matching 的 Frame-to-Frame 生成模型 (F$3$low) 扩展了粗粒化建模方法的领域，通过自交叉采样的方式提升了计算生物学中的模拟效率，并且能够广泛探索构象空间。

    May, 2024

  • 可扩展的深度学习用于 RNA 次级结构预测

    基于轴向注意力和潜变量空间循环利用的 RNAformer 模型在 RNA 二级结构预测领域取得了突破性进展，超越了使用外部信息的方法，在 TS0 基准数据集上实现了最先进的性能，并实验证明 RNAformer 能够学习到 RNA 折叠过程的生物物理模型。

    Jul, 2023

  • 基于展开算法学习的 RNA 次级结构预测

    我们提出了一种端到端的深度学习模型 E2Efold，用于 RNA 二级结构预测，可以有效地考虑问题中的固有约束，并通过约束规划的未卷积算法作为深度结构的模板强制实施约束，全面实验表明，E2Efold 具有优越的性能：相对于之前的 SOTA，特别是对于伪结节数量结构的预测具有显著的改进，同时推断时间也不会慢于最快的算法。

    Feb, 2020