- ScaleFold: 将 AlphaFold 初始训练时间缩短至 10 小时
AlphaFold2 是蛋白质折叠领域的突破性成果,但其实现不包括必要的训练代码。OpenFold 是 AlphaFold 的第一个可训练的公共重新实现。本研究在 OpenFold 的基础上对 AlphaFold 的训练过程进行了全面分析, - 利用标注数据增强几何插值来学习蛋白质折叠的集体变量
通过使用物理启发度量标准生成模拟蛋白质折叠转变的地势插值,我们提出了一种无需模拟的数据增强策略,以改善采样效率,并在转变状态数据有限且噪音较大时,通过插值进展参数引入基于回归的学习方案来构建 Collective Variable 模型,其 - 定量性状的遗传预测:以身高为例的机器学习指南
机器学习和深度学习在生物问题中取得了许多成功,尤其在蛋白质折叠领域。然而,从基因组中预测复杂性状的问题却受到机器学习界的相对较少关注。本文提供了对目前最先进模型和与其开发相关细微问题的机器学习界概述,以作为预测表型的新模型开发时需要考虑的参 - 蛋白质折叠动力学预测的端到端优化管线
通过使用机器学习模型,本研究提出了一种高准确性、低内存占用的有效方法来预测蛋白质的折叠动力学,相较于现有模型提高了 4.8% 的准确性,内存占用减少了 327 倍,速度提升了 7.3%。
- 溶剂:蛋白质折叠的框架
通过统一的研究框架和基准测试,利用 Solvent 项目中的各种方法,可提供稳健、高效的蛋白质折叠模型研究,从而增加了模型的可靠性、一致性和研究速度,进一步推进蛋白质折叠领域的发展。
- 通过多序列比对改进蛋白质三级结构预测
该研究利用语言生成模型 MSA-Augmenter 及大规模 MSA 技术,微调 AlphaFold2 蛋白质结构预测模型在缺乏同源家族数据库的情况下,生成补充性的未见过的蛋白质序列,从而提高蛋白质结构预测准确性。
- ICMLAbODE: 使用耦合 ODE 的从头设计抗体
本研究旨在开发一种新型的生成模型 AbODE,利用图形 PDE 扩展来更好地处理与抗体及其与抗原之间的作用有关的信息,从而更好地解决抗体设计面临的中心挑战,包括蛋白质折叠,反相折叠和结合后对接问题。
- TorchMD:分子模拟深度学习框架
TorchMD 是使用混合经典和机器学习势的分子模拟框架,可以提高数据驱动模型的质量和可转移性,它支持模拟神经网络潜力,可以有效训练和模拟蛋白质折叠,代码和数据可以在 https://github.com/torchmd 免费获取。
- DeepDriveMD: 基于深度学习的自适应分子模拟技术用于蛋白质折叠
通过将深度学习与分子动力学模拟相结合,可以有效学习潜在表征并推动自适应模拟,从而实现在超级计算机上以有效的方式折叠蛋白质,相较于传统的模拟方法,获得至少 2.3 倍的性能提升,这为我们理解 DL 驱动的 MD 模拟如何导致在超级计算资源上减 - NIPSFoldingZero: 水疏水模型下的蛋白质折叠
通过深度强化学习训练的 FoldingZero 框架能够自行折叠出一个 2D HP 结构的蛋白质,学习到了隐藏的折叠知识,是一个在蛋白质折叠领域有应用潜力的新方法。
- 通过超深度学习模型精准地预测蛋白质接触图谱
本文提出了一种新的深度学习方法,通过整合进化耦合和序列保守性信息来预测蛋白质的接触,从而大大提高了接触辅助的蛋白质折叠的准确性,并在测试中达到了很好的表现。
- 基于 Wang-Landau 采样的晶格聚合物优化:HP 蛋白质模型的基态搜索和折叠热力学
该研究使用基于 Wang-Landau 抽样方法的 Monte Carlo 方法在蛋白质折叠的研究中找到了许多与低温相关的物理特性,包括能量密度状态和蛋白质分子的立体构象,为蛋白质分子折叠行为的探究提供了新的思路和方法。
- PERM 方法模拟高分子蒙特卡罗研究综述
描述了修剪富集 Rosenbluth 方法 (PERM) 在高分子物理学的各种问题中的应用,讨论了如何识别结果可靠以及如何在正确方向上引导生长的一些关键偏差类型。