利用卷积神经网络从蛋白结构中学习连续的构象空间表示,实现预测连接蛋白的不同构象状态的生物相互作用,并利用转移学习从一个蛋白结构中迁移特征以提高性能。
Oct, 2019
本文提出并评估了一种利用生成深度学习的图形生成模型,生成蛋白质的功能相关三维结构的替代方法,并评价了几种深层结构的全面评估。
Apr, 2020
本文介绍了一种基于机器学习的方法,利用3D 原子坐标来直接标识蛋白质复合物的准确模型,提高准确模型的识别,也可以用于绝对预测准确结构模型的方法。
Jun, 2020
该综述总结了近年来将深度学习技术应用于蛋白质结构建模及设计问题的最新进展,讨论了已经出现和需解决的挑战,针对该领域提出了许多有益的见解。
Jul, 2020
通过引入基于几何向量感知器的图神经网络,在大型生物分子的 3D 结构上进行学习并利用其图结构和几何方面,从而在蛋白结构的质量评估和计算蛋白质设计两个重要问题上实现了优化,改进了现有各类体系结构,其中包括最先进的基于图的和基于体素的方法。
Sep, 2020
本文提出了一种基于蛋白质氨基酸之间的几何关系的指向性权重神经网络,结合了传统神经网络和等变神经网络,提供更好的蛋白质结构建模方法,并在多个计算生物学应用中取得了最佳表现。
Jan, 2022
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
分子图分类的拓扑描述符、特征工程和图神经网络方法的关键词间的关系以及新算法MOLTOP的有效性经如何评估
Jul, 2024
本研究聚焦于学习生物分子数据的可解释性拓扑特征,以解决传统特征工程不足的问题。我们提出了一种数据驱动的方法,通过与专家主导的物理特征模型比较,展示了基于拓扑特征的模型在预测合成迷你蛋白稳定性方面的有效性。研究结果表明,拓扑特征能提供专家特征未能捕捉的新信息,从而提升模型性能。
Aug, 2024
本研究解决了现有蛋白质表示学习方法在原子交互细节方面的不足,首次提出利用图神经网络(GNN)在原子级别学习蛋白质表示。研究显示,Meta-GNN模型在超过4000个蛋白质的测试集上达到了0.71的相关系数,显著优于之前的方法,展示了GNN在蛋白质柔性预测中的潜力。