ProNet DB: A proteome-wise database for protein surface property representations and RNA-binding profiles
ProNet DB是首个整合16种模式生物超32万个蛋白质结构的表面性质表征与RNA结合谱的综合性数据库，并集成3D可视化工具，为分子机制研究和药物发现提供即时可用的预计算特征。
2023-08-07 q-bio.BM q-bio.MN q-bio.QM
Statistical analysis of crystallization database links protein physico-chemical features with crystallization mechanisms
X射线晶体学是获得生物大分子原子尺度信息的主要方法。尽管这项技术取得了成功，但获得良好的衍射晶体仍然严重限制了从蛋白质到结构的研究。在实践中，结晶过程是通过知识知情主义进行的。更好的物理化学理解仍然难以捉摸，因为涉及大量的变量，因此很少有指导可用于系统地确定促进结晶的溶液条件。为了帮助确定大分子性质与其结晶倾向之间的关系，我们对由Northeast Structural Genomics Consortium提供的182种蛋白质的样本进行了统计模型训练。高斯过程捕捉线性统计模型无法捕捉的趋势，区分了驱动结晶的两种主要物理化学机制。一种是其特征在于低水平的侧链熵，并已在文献中广泛报道。另一个识别特定的静电相互作用，以前没有在结晶的上下文中描述。由于两种不同的机制的证据可以收集晶体接触和溶液条件导致成功的结晶，该模型提供了未来的途径，优化结晶屏幕的基础上部分结构信息。结晶数据的可用性加上通过国家的最先进的统计模型分析的结构结果，因此可以引导大分子结晶走向一个更合理的基础。
2014-06-09 q-bio.BM
PGR: A Graph Repository of Protein 3D-Structures
图论和图挖掘构成了研究图的结构、拓扑和性质的计算技术的丰富领域。如果存在将生物学数据转换为图形的有效方法，这些技术构成生物信息学中的良好资产。在本文中，我们提出了蛋白质图谱库（PGR），一种新的数据库的蛋白质3D结构转换成图形，允许使用大量的图论技术在蛋白质挖掘。该存储库包含蛋白质数据库（PDB）中描述的所有当前已知蛋白质3D结构的图形表示。PGR还提供了一个高效的蛋白质3D结构到图形的在线转换器，生物和基于图形的描述，预先计算的蛋白质图形属性和统计，每个蛋白质图形的可视化，以及基于图形的蛋白质相似性搜索工具。这样的存储库丰富了现有的在线数据库，这将有助于弥合图挖掘和蛋白质结构分析之间的差距。PCR数据和特征是独特的，不包括在任何其他蛋白质数据库中。该存储库可在http://wjdi.bioinfo.uqam.ca/上找到。
2016-01-25 cs.OH q-bio.BM
XDIP: A Curated X-ray Absorption Spectrum Dataset for Iron-Containing Proteins
本研究针对含铁蛋白高质量注释光谱数据的空白，通过人工筛选和半自动化提取构建含437个蛋白结构、1954条XAS光谱的XDIP数据集，支持数据驱动发现并推动相关领域发展。
2025-09-23 q-bio.BM
Quantum algorithm for bioinformatics to compute the similarity between proteins
针对药物发现挑战，作者提出一种量子算法，通过量子生成器根据蛋白质数据库生成随机氨基酸序列，并用两种方法计算测试蛋白质与数据库蛋白质的相似度，以elafin为案例验证其有效性。
2024-02-15 q-bio.BM quant-ph
DIPS-Plus: The Enhanced Database of Interacting Protein Structures for Interface Prediction
University of Missouri（密苏里大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
蛋白质如何以及在哪里相互作用最终会影响蛋白质的功能以及一系列其他生物过程。因此，用于蛋白质界面预测（PIP）的精确计算方法受到高度追捧，因为它们可以在药物发现和设计以及蛋白质功能分析中产生重大进展。然而，用于此任务的传统基准数据集Docking Benchmark 5（DB 5）仅包含230个用于训练、验证和测试不同机器学习算法的复合体。在这项工作中，我们扩展了最近为此任务引入的数据集，即相互作用蛋白质结构数据库（DIPS），以呈现DIPS-Plus，这是一个增强的，功能丰富的数据集，包含42，112个复合物，用于蛋白质界面的几何深度学习。先前版本的DIPS仅包含构成给定蛋白质复合物的原子的笛卡尔坐标和类型，而DIPS-Plus现在包括大量新的残基水平特征，包括突出指数、半球氨基酸组成和每个氨基酸的新的基于轮廓隐马尔可夫模型（HMM）的序列特征，用于训练蛋白质界面预测方法的精心策划的特征库。我们通过严格的基准测试证明，在DIPS-Plus上训练PIP的现有最先进（SOTA）模型会产生SOTA结果，超过迄今为止在蛋白质复合物的残留水平和原子水平编码上训练的所有其他模型的性能。
2021-10-06 cs.LG q-bio.BM q-bio.QM
A protein structural alphabet and its substitution matrix CLESUM
通过对四个连续残基的$C_α$原子形成的三个假键角密度分布的混合模型，将局部结构状态离散为蛋白质结构字母表的17个构象字母。这种粗粒度化过程将3D结构转换为1D代码序列。基于FSSP数据库的结构比对构建这些字母之间的替换矩阵。
2004-12-28 q-bio.BM
Flexibility of $α$-helices: Results of a statistical analysis of database protein structures
$α$ -螺旋作为蛋白质的常见和相对不变的二级结构元件而突出。然而，$α$ -螺旋不是刚体，并且它们的变形在蛋白质功能中可能是显著的（{ \it例如}）。盘绕的线圈）。为了量化的灵活性的$α$ -螺旋，我们已经进行了结构的主成分分析的不同长度的螺旋从一组代表性的蛋白质折叠在蛋白质数据库。我们发现三个主导模式的灵活性：两个退化的弯曲模式和一个扭曲模式。对于每种模式，数据与独立的高斯分布一致。测量柔性的模式特征值遵循简单的缩放形式作为螺旋长度的函数。主要的弯曲和扭曲模式及其谐波再现一个简单的弹簧模型，其中包括氢键和排除体积。作为一个应用程序，我们研究的弯曲和扭曲的螺旋，使几个卷曲螺旋蛋白质的量。将$α$ -螺旋柔性纳入结构细化和设计进行了讨论。
2002-09-25 cond-mat.soft cond-mat.stat-mech q-bio.BM
Flexibility of beta-sheets: Principal-component analysis of database protein structures
蛋白质折叠主要由两种类型的结构堆积在一起：α-螺旋和β-折叠。这两种结构都不是刚性的，并且螺旋和片层的柔性在确定最终折叠（{ \it例如}，盘绕的线圈和β-桶）。最近的工作已经使用数据库螺旋结构的主成分分析（PCA）量化了α-螺旋的灵活性（Emberly，2003）。在这里，我们使用PCA的β-折叠结构的数据库上的β-折叠的灵活性的分析。对于不同尺寸和几何形状的片材，我们发现两种主要的柔性模式：扭曲和弯曲。这些模式的振幅分布被发现是高斯和独立的，这表明PCA扭曲和弯曲模式可以被识别为软弹性正常模式的片材。我们考虑了模式本征值与片尺寸的缩放，并发现平行β-片比反平行片在整个研究范围内更刚性。最后，我们讨论了我们的PCA结果的建模和设计的β折叠蛋白质的应用。
2003-09-04 cond-mat.mtrl-sci cond-mat.soft q-bio.BM
MENSADB: A Thorough Structural Analysis of Membrane Protein Dimers
膜蛋白（MP）约占人类蛋白质组的15-39%，并在大量的细胞和生理机制中发挥关键作用，包括分子转运，营养吸收，毒素和废物清除，呼吸和信号传导。虽然大约60%的FDA批准的药物靶向MP，但缺乏关于它们的结构和生化数据，主要是由于它们在脂质双层中的定位。我们在这里提出膜蛋白二聚体新结构分析数据库（MENSAdb），一个实时的网络应用程序，暴露了广泛的阵列的基本功能的MP表面和它们的界面区域。特别是，我们目前的保护，四个独特的可溶解溶剂区（ASA）的描述符，平均和环境特定的B-因子，分子间接触在2.5和4.0埃的距离截止，盐桥，氢键，疏水，π-π相互作用，t-堆叠和阳离子-π相互作用。此外，用户还可以仔细检查三种不同残留物类别之间的差异：i）非表面，ii）表面和非界面，iii）界面。该数据库可在www.moreiralab.com/resources/mensadb上免费查阅。
2019-02-06 q-bio.BM
Protein contact map prediction using bi-directional recurrent neural network
在给定的二维接触图下，蛋白质三维结构的重建精度可达2 A或更高，是解决蛋白质折叠问题的一种可行的计算方法。传统方法的预测准确性通常太差而无法使用，但最近的深度学习模型显着提高了准确性。在这项研究中，我们提出了一个神经网络模型，包括一个双向循环神经网络和人工神经网络。在Protein Data Bank中所有可用蛋白质3D结构的非冗余数据库中，该深度学习模型的准确率达到0.80，远高于以前的模型。这项研究代表了蛋白质2D接触图预测的重大突破，并可能是蛋白质折叠问题的重要一步。
2019-06-11 q-bio.BM
GA-Novo: De Novo Peptide Sequencing via Tandem Mass Spectrometry using Genetic Algorithm
蛋白质组学是对蛋白质的大规模分析。鉴定蛋白质和表征其氨基酸序列的常用方法是将蛋白质消化成肽，使用质谱法分析肽，并使用数据库搜索工具将所得串联质谱（MS/MS）分配给肽。然而，数据库搜索算法高度依赖于参考蛋白质数据库，并且它们不能识别不包括在数据库中的肽和蛋白质。因此，开发了从头测序算法以通过直接重建MS/MS谱的肽序列而不使用任何蛋白质数据库来克服该问题。目前的从头测序算法往往不能构建完全匹配的序列，并产生部分匹配。在这项研究中，我们提出了一种基于遗传算法的方法，GA-Novo，以解决复杂的优化任务从头肽测序，旨在构建全长序列。给定MS/MS光谱，GA-Novo优化氨基酸序列以最佳拟合输入光谱。在测试数据集上，GA-Novo的性能优于PEAKS，PEAKS是该任务中最常用的软件，构建的完全匹配肽序列数量高出8%，部分匹配序列的召回率高出4%。
2019-02-03 cs.CE q-bio.BM q-bio.QM
Artificial intelligence-aided protein engineering: from topological data analysis to deep protein language models
本综述系统总结了拓扑数据分析与深度蛋白质语言模型等人工智能方法在加速蛋白质工程中的应用，为该领域的未来发展提供了全面的方法论组件。
2023-07-27 q-bio.BM
Exploiting Hierarchical Interactions for Protein Surface Learning
Hong Kong University of Science and Technology（香港科技大学）；Nanyang Technological University（南洋理工大学）
本文提出HCGNet框架，通过层次交互联合建模蛋白质表面原子间化学关系与几何特征，在位点预测和交互匹配任务上分别超越现有最优方法2.3%和3.2%。
2024-01-17 cs.LG q-bio.BM
Protein identification with deep learning: from abc to xyz
David R. Cheriton School of Computer Science, University of Waterloo（滑铁卢大学 David R. Cheriton 计算机科学学院）；Bioinformatics Solutions Inc.（Bioinformatics Solutions 公司）
蛋白质是细胞、组织或有机体中生物功能的主要工具。在给定样品中的蛋白质的鉴定和定量，例如在正常/疾病条件下的细胞类型，是理解人类健康和疾病的基本任务。在本文中，我们介绍了DeepNovo，这是一种基于深度学习的工具，用于解决从串联质谱数据中识别蛋白质的问题。这个想法最初是在从头肽测序的背景下提出的[1]，其中卷积神经网络和递归神经网络被应用于从其光谱预测肽的氨基酸序列，这与从图像生成标题类似。我们进一步开发DeepNovo来执行序列数据库搜索，这是肽识别的主要技术，极大地受益于众多现有的蛋白质数据库。我们将从头测序和数据库搜索两个模块结合到一个用于肽识别的深度学习框架中，并整合de Bruijn图组装技术，以提供一个完整的解决方案，从串联质谱数据中重建蛋白质序列。本文描述了DeepNovo用于蛋白质鉴定的综合协议，包括训练神经网络模型、动态规划搜索、数据库查询、错误发现率估计和de Bruijn图组装。我们的GitHub存储库（https：//github.com/nh2trans/DeepNovo）中提供了IPython笔记本形式的训练和测试数据、模型实现以及全面的教程。
2017-10-08 cs.CE cs.LG q-bio.BM
Structural similarity enhances interaction propensity of proteins
我们研究了相互作用的蛋白质类表面的统计特性，并预测了两个强大的，相关的影响：（i）统计增强的自吸引力的蛋白质;（ii）统计增强的吸引力的蛋白质具有相似的结构。这种效应源于这样一个事实，即在两个相同的、甚至随机组织的相互作用的蛋白质表面之间找到模式自匹配的概率总是高于两个不同的、混杂的蛋白质表面之间的模式匹配的概率。这一理论发现解释了之前报道的蛋白质相互作用网络中同源二聚体的统计学普遍性。此外，我们的发现通过对蛋白质复合物的策划数据库的分析得到证实，所述数据库显示由具有高度不同序列的结构相似蛋白质形成的二聚体（超家族异二聚体）的高度统计学显著的过度表达。我们预测，异源二聚体的显着分数从同源二聚体的负设计进化压力施加对混杂的同源二聚体的形成。这是通过形成由带电残基形成的高度特异性接触来实现的，如在模型和真实超家族异二聚体中所证明的
2006-09-27 q-bio.BM
Sequence co-evolution gives 3D contacts and structures of protein complexes
蛋白质相互作用是许多生物过程的基础。实验筛选已经确定了数以万计的相互作用，结构生物学为选择3D蛋白质复合物提供了详细的功能见解。关于蛋白质相互作用的另一个丰富的信息来源是进化序列记录。在早期工作的基础上，我们表明，跨蛋白质的相关进化序列变化的分析确定的残基，是接近的空间有足够的准确性，以确定的三维结构的蛋白质复合物。我们在盲法测试中评估了76个已知3D结构的复合物的预测性能，预测了32个未知结构的复合物中的蛋白质-蛋白质接触，并演示了如何使用进化耦合来区分大型复合物中相互作用和非相互作用的蛋白质对。随着目前序列数据库的增长，我们期望该方法可以推广到全基因组范围内的蛋白质相互作用网络的阐明，并用于在残基分辨率的相互作用预测。
2014-09-16 q-bio.BM
Comprehensive structural classification of ligand binding motifs in proteins
对蛋白质与配体相互作用的全面了解将为蛋白质功能的注释、蛋白质进化的研究、酶活性的工程化以及药物的设计提供有用的基础。为了研究蛋白质结构中配体结合位点的多样性和普遍性，我们利用最近开发的数据库搜索和比对算法，对蛋白质数据库中所有已知结构中发现的18万多个配体结合位点进行了全对全的原子水平结构比较。通过应用混合自上而下-自下而上的聚类分析的比较结果，我们确定了约3000个明确的配体结合位点的结构基序。除了少数例外，大多数结构基序被发现局限于单一的家庭或超家庭，并与特定的配体。此外，我们分析了相似性网络的组成部分，并列举了超过4000对配体结合位点，在不同的蛋白质折叠共享。
2008-10-08 q-bio.BM
FoldExplorer: Fast and Accurate Protein Structure Search with Sequence-Enhanced Graph Embedding
FoldExplorer 结合图注意力神经网络与蛋白质大语言模型生成结构嵌入，在保持搜索速度的同时将蛋白质结构搜索准确率较现有最优方法提升5%至8%。
2023-11-30 q-bio.BM
Aligning biological sequences by exploiting residue conservation and coevolution
核苷酸序列（对于DNA和RNA）或氨基酸序列（对于蛋白质）是生物学的中心对象。最重要的计算问题之一是序列比对，即以识别相似区域的方式排列来自不同生物体的序列，以检测序列之间的进化关系，并预测生物分子的结构和功能。这通常通过轮廓模型来解决，轮廓模型捕获位置特异性，如序列中的保守性，但假设不同位置的独立进化。在过去的几年里，已经很好地建立了不同氨基酸位置的共同进化对于维持三维结构和功能是必不可少的。基于逆统计物理的建模方法可以捕捉序列集成中的协同进化信号，目前已广泛应用于蛋白质结构、蛋白质相互作用和突变景观的预测。在这里，我们提出了DCAlign，一个有效的比对算法的基础上的一个近似的消息传递策略，这是能够克服的限制，配置文件模型，包括在一般的方式之间的位置的共同进化，并因此普遍适用于蛋白质和RNA-序列比对，而不需要使用互补的结构信息。DCAlign的潜力是仔细探索使用良好控制的模拟数据，以及真实的蛋白质和RNA序列。
2020-11-13 cond-mat.dis-nn physics.bio-ph q-bio.BM
SCOP: A Sequence-Structure Contrast-Aware Framework for Protein Function Prediction
本文提出用于蛋白质功能预测的对比感知预训练框架SCOP，通过编码器整合拓扑与空间特征并利用卷积神经网络学习序列特征，结合两类辅助监督探索视图相关性，在五个数据集上以更少数据实现更优预测。
2024-11-18 q-bio.BM
Anisotropic coarse-grained statistical potentials improve the ability to identify native-like protein structures
我们提出了一种新的方法来提取氨基酸侧链之间的距离和方向依赖的潜力，使用蛋白质结构的数据库和标准的玻尔兹曼设备。首先通过计算α-螺旋和β-折叠结构的蛋白质的取向序参量来确定取向依赖相互作用的重要性。各向异性相互作用的提取需要为每个氨基酸定义局部参考系，其唯一地确定相邻残基的坐标。利用一组标准的非同源蛋白质结构的径向和角向关联函数的局部参考系和直方图，我们构造了各向异性对势。使用大型诱饵蛋白数据库研究了方向依赖电位的性能。结果表明，新的距离和方向依赖的残基-残基电位提出了一个显着提高的能力，从一组天然和诱饵蛋白质结构识别天然折叠。
2003-02-04 cond-mat.stat-mech physics.bio-ph physics.chem-ph
Using Residual Dipolar Couplings from Two Alignment Media to Detect Structural Homology
University of South Carolina（南卡罗来纳大学）
概率密度分布分析的方法之前已经被引入作为一种工具，以找到一组实验产生的残余偶极耦合和一组已知的蛋白质结构之间的最佳匹配。虽然它在识别蛋白质折叠家族的小型数据库上被证明是有效的，并且对于从计算蛋白质折叠工具ROBETTA中挑选最佳结果是有效的，但是对于较大的数据集，需要更多的数据。本文提出了一种二维概率密度剖面分析方法，它结合了来自2个取向介质的成对RDC数据，用于N-H矢量。该方法使用合成RDC数据进行了测试，产生+/-1 Hz的误差。结果表明，添加来自第二比对介质的信息使得2-D PDPA成为能够从600个蛋白质折叠家族代表的数据库中识别结构的有效得多的工具。
2019-11-06 cs.CV q-bio.BM
Automated Protein Structure Classification: A Survey
基于蛋白质结构的分类为研究蛋白质结构、功能和进化关系提供了宝贵的资源。随着已知蛋白质结构数量的迅速增加，人工和半自动分类变得越来越困难和缓慢。因此，越来越需要自动化、准确和有效的分类方法来生成分类数据库或提高半自动技术的速度和准确性。认识到这一需要，已经开发了几种自动分类方法。在本调查中，我们概述了这一领域的最新发展。我们根据不同的方法的特点进行分类，并比较它们的方法，准确性和效率。然后，我们提出了一些开放的问题，并解释未来的发展方向。
2009-07-13 cs.CE q-bio.BM
Endowing Protein Language Models with Structural Knowledge
Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所）
该研究提出Protein Structure Transformer框架，通过结构提取器模块将结构信息整合进蛋白质语言模型的自注意力机制，在仅含54.2万结构的小数据集上预训练后，参数效率更优且性能超越ESM-2，刷新蛋白质功能预测基准。
2024-01-26 cs.LG q-bio.BM q-bio.QM
A new method for binary classification of proteins with Machine Learning
University of Florence（佛罗伦萨大学）；University of Perugia（佩鲁贾大学）
在这项工作中，我们着手寻找一种使用深度学习方法对蛋白质结构进行分类的方法。我们的人工智能已经过训练，可以识别从蛋白质数据库（PDB）数据库中推断出来的复杂生物分子结构，并将其重新处理为图像;为此，已经使用预先训练的卷积神经网络（如InceptionResNetV 2或InceptionV 3）进行了各种测试，以便从这些图像中提取重要特征并正确分类分子。因此，将对各种网络的性能进行比较分析。
2021-11-03 cs.LG q-bio.BM
Protein folding classes -- High-dimensional geometry of amino acid composition space revisited
本文用高维氨基酸组成空间中的凸多面体等精确几何构造，对遗留数据集和SCOP中蛋白质折叠类别的完整实验结构分布进行非统计建模，揭示类别规模、相对位置与重叠限制。
2025-10-20 q-bio.BM q-bio.QM
Enhancing the Protein Tertiary Structure Prediction by Multiple Sequence Alignment Generation
Shanghai AI Laboratory（上海人工智能实验室）；Mila, Université de Montréal（蒙特利尔大学米拉研究所）；Zelixir Biotech（泽列西尔生物科技公司）；Fudan University（复旦大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出生成式语言模型 MSA-Augmenter，通过生成保留协同进化信息的新序列补充浅层 MSA，并在 CASP14 上证明其可进一步提升 AF2 的蛋白质结构预测质量。
2023-06-02 cs.CE cs.LG q-bio.BM
On the feasibility and utility of exploiting real time database search to improve adaptive peak selection
基本原理：在具有数据依赖性采集的鸟枪蛋白质组学实验中，前体扫描的实时分析导致选择少数峰用于随后的分离、片段化和二次扫描。该峰选择方案通常集中于前体扫描中最丰富的峰，同时试图避免快速连续地重新采样相同的m/z值。然而，该方案没有将先前碎片扫描的分析并入峰选择程序中。研究方法：在这项工作中，我们调查的可行性和实用性，将分析以前的碎片扫描到峰选择协议。我们表明，实时识别的碎片光谱是可行的原则上，我们调查，通过模拟，几种策略，利用所得的肽鉴定在峰选择。结果如下：我们的模拟未能提供证据表明，肽鉴定可以提供一个很大的改进，在总数量的肽确定的鸟枪蛋白质组学实验。结论：这些结果是重要的，因为它们指出了在峰选择期间使用肽鉴定的可行性，并且因为我们的实验可以为其他在这个方向上工作的人提供起点。
2012-07-24 q-bio.BM q-bio.QM
Exploiting Pretrained Biochemical Language Models for Targeted Drug Design
Bogazici University（博阿齐奇大学）；F. Hoffmann-La Roche AG（F.霍夫曼-拉罗氏股份公司）；Istanbul University（伊斯坦布尔大学）
目的：开发靶向蛋白质的新型化合物是制药行业最重要的任务之一。深度生成模型已被应用于靶向分子设计，并显示出有希望的结果。最近，靶特异性分子生成已被视为蛋白质语言和化学语言之间的翻译。然而，这样的模型受到相互作用的蛋白质-配体对的可用性的限制。另一方面，大量未标记的蛋白质序列和化合物是可用的，并且已被用于训练学习有用表示的语言模型。在这项研究中，我们提出利用预训练的生化语言模型来初始化（即热启动）靶向分子生成模型。我们研究了两种热启动策略：（i）一个阶段的策略，其中初始化的模型在靶向分子生成上进行训练;（ii）一个两阶段的策略，其中包含对分子生成进行预微调，然后进行靶向特异性训练。我们还比较了两种解码策略，以产生化合物：束搜索和采样。结果：结果表明，热启动模型的性能优于从头开始训练的基线模型。这两个建议的热启动策略实现了类似的结果，彼此之间的广泛使用的指标从基准。然而，对接评估所产生的化合物的一些新的蛋白质表明，一个阶段的战略概括比两个阶段的战略。此外，我们观察到，束搜索优于抽样对接评估和基准指标评估化合物的质量。可用性和实施：源代码可在https://github.com/boun-tabi/biochemical-lms-for-drug-design上获得，材料存档在Zenodo https://doi.org/10.5281/zenodo.6832145上
2022-09-02 cs.CL cs.LG q-bio.BM
PDBMine: A Reformulation of the Protein Data Bank to Facilitate Structural Data Mining
大规模的计划，如人类基因组计划，结构基因组学和个人研究团队提供了大量的基因组和蛋白质组数据。将数据转化为知识已成为现有的挑战之一，这是因为数据库中的数据是为存档而不是挖掘而设计的。在这项研究中，我们针对蛋白质数据库（PDB），并展示了其内容的转换，名为PDBMine，将存储空间减少了一个数量级，并允许与蛋白质结构确定相关的强大挖掘。我们已经证明了PDBMine在探索二聚体和三聚体氨基酸序列中的实用性，并提供了预测蛋白质结构的机制。
2019-11-19 cs.DB q-bio.BM
AlphaFold Database Debiasing for Robust Inverse Folding
AI Lab, Research Center for Industries of the Future, Westlake University（人工智能实验室、未来产业研究中心、西湖大学）；Xi’an Jiaotong University（西安交通大学）
针对 AFDB 相对 PDB 的系统性几何偏差影响反向折叠的问题，提出 DeSAE 通过从损坏骨架重建天然构象来学习自然结构流形，从而生成去偏结构并提升多基准性能。
2025-06-10 cs.LG q-bio.BM
Protein Representation Learning by Capturing Protein Sequence-Structure-Function Relationship
KAIST（韩国科学技术院）
针对现有蛋白质表示学习方法难以捕捉序列、结构、功能三者非对称关系、仅用一两种模态的问题，提出非对称多模态掩码自编码器AMMA，通过统一编码器与非对称解码器整合三模态，有效提升表示学习效果与下游任务性能。
2024-04-29 cs.AI cs.LG q-bio.BM
Protein sequence-to-structure learning: Is this the end(-to-end revolution)?
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Stanford University（斯坦福大学）；Stockholm University（斯德哥尔摩大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔理工学院）
深度学习的潜力在蛋白质结构预测界已经被认识了一段时间，在CASP 13之后变得无可争议。在CASP 14中，深度学习将该领域提升到了意想不到的水平，达到了接近实验的精度。这一成功来自其他机器学习领域的进步，以及专门设计用于处理蛋白质序列和结构及其抽象的方法。新出现的方法包括（i）几何学习，即对诸如图、3D Voronoi镶嵌和点云的表示的学习;（ii）利用注意力的预训练的蛋白质语言模型;（iii）保持3D空间对称性的等变架构;（iv）使用大型元基因组数据库;（v）蛋白质表示的组合;（vi）最后是真正的端到端架构，即从序列开始并返回3D结构的可区分模型。在这里，我们提供了一个概述和我们对过去两年中开发并在CASP 14中广泛使用的新型深度学习方法的看法。
2021-09-13 cs.LG q-bio.BM
Benchmarking AlphaFold3's protein-protein complex accuracy and machine learning prediction reliability for binding free energy changes upon mutation
本文基于SKEMPI 2.0数据库系统评估AlphaFold3预测蛋白质-蛋白质复合物结构用于突变结合自由能变化预测的可靠性，发现其相关系数略低于PDB结构且RMSE升高8.6%，并揭示其在柔性区域存在未被ipTM反映的较大误差。
2024-06-06 math.AT q-bio.BM q-bio.QM
Structural ensembles of disordered proteins from hierarchical chain growth and simulation
紊乱的蛋白质和核酸在细胞功能和疾病中起关键作用。在这里，我们回顾了最近的进展，在计算探索的构象动力学的柔性生物分子。我们专注于分层链增长（HCG）从片段库建立原子分子动力学模拟。HCG以统计学上可重复的方式将链片段组合成全长原子详细的生物分子结构的集合。输入片段结构通常从分子动力学模拟收集，但也可以来自结构数据库。实验数据可以在链条装配期间和之后进行整合。应用于神经变性相关蛋白$α$ -突触核蛋白、tau和TDP-43，包括作为缩合物，说明了HCG的使用。最后，我们强调了与基于AI的结构建模的新兴联系。
2022-10-28 physics.bio-ph physics.chem-ph q-bio.BM
A Survey of Deep Learning Methods in Protein Bioinformatics and its Impact on Protein Design
Hong Kong University of Science and Technology（香港科技大学）
本文综述了深度学习在蛋白质结构预测、功能预测和蛋白质设计三大任务中的进展，重点分析了结构预测与功能预测对蛋白质设计的推动作用，并展望了未来研究方向。
2025-01-02 cs.AI q-bio.BM
Retrieved Sequence Augmentation for Protein Representation Learning
The University of Hong Kong（香港大学）；Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）；University of Waterloo（滑铁卢大学）
蛋白质语言模型在从结构预测到蛋白质工程的各种任务中表现出色。然而，蛋白质在功能和结构上是高度多样的，并且当前最先进的模型（包括最新版本的AlphaFold）依赖于多个序列比对（MSA）来提供进化知识。尽管他们的成功，沉重的计算开销，以及从头和孤儿蛋白质仍然是蛋白质表示学习的巨大挑战。在这项工作中，我们表明，MSA增强模型本质上属于retrievalaugmented方法。基于这一发现，我们引入了检索序列增强（RSA）用于蛋白质表示学习，而无需额外的对齐或预处理。RSA将查询的蛋白质序列链接到数据库中具有相似结构或性质的一组序列，并将这些序列组合起来进行下游预测。我们发现，蛋白质语言模型受益于结构预测和属性预测任务的检索增强，平均比MSA Transformer提高了5%，同时快了373倍。此外，我们表明，我们的模型可以更好地转移到新的蛋白质结构域，并优于MSA Transformer的从头蛋白质预测。我们的研究填补了蛋白质预测中经常遇到的空白，使我们更接近于揭开理解蛋白质序列所需的领域知识的神秘面纱。代码可在https://github.com/HKUNLP/RSA上获得。
2023-02-24 cs.LG q-bio.BM
Investigation of the impact of PTMs on the protein backbone conformation
翻译后修饰（Post-translational Modifications，PTM）在蛋白质功能调控中起着重要作用。它们对蛋白质结构的影响以及它们与无序区域的联系在过去十年中已经被发现。尽管如此，由于翻译后修饰类型的高度多样性以及蛋白质修饰的多种方案（多个翻译后修饰、不同类型、不同时间等），使得翻译后修饰注释与蛋白质结构数据的直接对抗变得困难，因此我们分析了残基修饰对局部水平蛋白质结构的影响。由于有了一个专用的结构数据库，即PTM-SD，已经完成了一个大屏幕的PTM，并使用结构字母蛋白质块（PB）在局部蛋白质构象水平上进行分析。我们研究了PTM和修饰残基的骨架构象之间的关系，它们的局部环境，并在完整的蛋白质结构的水平。在非冗余数据集上研究了两种主要的PTM类型（N-糖基化和磷酸化），然后重点研究了4种不同的蛋白质，涵盖3种类型的PTM：肾素内肽酶和肝羧酸酯酶的N-糖基化，细胞周期蛋白依赖性激酶2（CDK 2）的磷酸化和肌动蛋白的甲基化。我们观察到，PTM可以稳定或不稳定的骨干结构，在本地和全球范围内，这些影响取决于PTM类型。
2019-08-14 q-bio.BM q-bio.QM
Enhanced compound-protein binding affinity prediction by representing protein multimodal information via a coevolutionary strategy
Zhejiang University School of Medicine（浙江大学医学院）；First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院）；Liangzhu Laboratory（良渚实验室）；Zhejiang University（浙江大学）；Nantong University（南通大学）；Hunan First Normal University（湖南第一师范学院）
由于缺乏一种方法来有效地表示蛋白质的多模态信息，包括其结构和序列信息，预测化合物-蛋白质结合亲和力（CPA）仍然遭受低精度时，应用机器学习方法。为了克服这一限制，在一个新的端到端的架构（命名为神经网络），我们开发了一个共同进化的策略，共同代表的结构和序列特征的蛋白质，并最终优化数学模型预测CPA。此外，从数据驱动方法的角度来看，我们提出了一种合理的方法，可以利用高质量和低质量的数据库，以优化的精度和泛化能力的BP神经网络在CPA预测任务。值得注意的是，我们直观地解释了合理设计的建筑中序列和结构之间的特征交互过程。因此，在虚拟药物筛选任务中，神经网络大大优于最先进的（SOTA）基线，表明这种方法在实际应用中的可行性。神经网络通过协同进化策略有效地表达蛋白质的多峰信息，为提高CPA预测精度和泛化能力提供了一种出色的方法。
2022-11-24 cs.LG q-bio.BM
Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs
Harvard University（哈佛大学）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）
本文提出一种基于子图的3D蛋白质结构几何自监督预训练方法，通过预测子图局部几何质心与蛋白质全局几何质心之间的距离来预训练3D图神经网络，在多种蛋白质分类任务中使3D GNN性能最高提升6%，无需多视图、数据增强或掩码策略。
2024-10-19 cs.LG q-bio.BM q-bio.QM
Intrinsic-Extrinsic Convolution and Pooling for Learning on 3D Protein Structures
Ulm University（乌尔姆大学）；Tübingen University（蒂宾根大学）；Masaryk University（马萨里克大学）；University of Catalonia（加泰罗尼亚大学）；University College London（伦敦大学学院）
蛋白质在生物体中执行各种各样的功能，因此在生物学中起着关键作用。到目前为止，用于处理蛋白质数据的可用学习算法没有考虑这种数据的几个特殊性和/或对于大蛋白质构象没有很好地缩放。为了填补这一空白，我们提出了两种新的学习操作，可以对大规模蛋白质数据进行深度3D分析。首先，我们引入了一种新的卷积算子，它既考虑了内在的（蛋白质折叠下不变），也考虑了外在的（成键下不变）结构，通过使用$n$ -D卷积定义的欧氏距离，以及多个测地线的原子之间的距离在一个多图。第二，我们通过引入分层池化算子来实现多尺度蛋白质分析，利用蛋白质是有限氨基酸集合的重组的事实，可以使用共享池化矩阵来池化。最后，我们评估了我们的算法在常见蛋白质分析任务的几个大规模数据集上的准确性，在这些数据集上，我们的性能优于最先进的方法。
2021-04-19 cs.LG q-bio.BM stat.ML
Protein-RNA interaction prediction with deep learning: Structure matters
The Chinese University of Hong Kong (CUHK)（香港中文大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；The CUHK Shenzhen Research Institute（香港中文大学深圳研究院）
蛋白质-RNA相互作用对多种细胞活动至关重要。实验和计算技术已经被开发来研究相互作用。由于以往数据库的局限性，特别是缺乏蛋白质结构数据，现有的计算方法大多严重依赖于序列数据，只有一小部分方法利用了结构信息。最近，AlphaFold彻底改变了整个蛋白质和生物学领域。可以预见，蛋白质-RNA相互作用的预测也将在未来几年内得到显着提升。在这项工作中，我们给出了一个彻底的审查这一领域，调查的结合位点和结合偏好预测问题，并涵盖了常用的数据集，功能和模型。我们还指出了这一领域的潜在挑战和机遇。本综述总结了RBP-RNA相互作用领域过去的发展，并展望了其在后AlphaFold时代的未来发展。
2021-11-23 cs.LG cs.NE q-bio.BM
Aligning Proteins and Language: A Foundation Model for Protein Retrieval
Carnegie Mellon University（卡内基梅隆大学）；Purdue University（普渡大学）
本文提出 CLIP 风格的蛋白质-语言对比学习框架，利用约20万蛋白质-描述对训练，实现PDB域内与EMDB跨数据库的零样本蛋白质结构与语义检索。
2025-05-27 cs.AI cs.CE cs.CV
End-to-End Learning on 3D Protein Structure for Interface Prediction
Stanford University（斯坦福大学）
尽管实验确定的生物分子的原子详细结构的数量激增，但结构生物学中的许多关键任务仍然是数据有限的。在这些任务中的性能是否可以通过使用切线相关的结构数据的大型存储库来提高仍然是一个悬而未决的问题。为了解决这个问题，我们集中在生物学的一个中心问题上：预测蛋白质如何相互作用，也就是说，一种蛋白质的哪些表面与另一种蛋白质的表面结合。我们建立了一个训练数据集，即相互作用蛋白质结构数据库（DIPS），它包含偏差，但比以前使用的大两个数量级。我们发现，这些偏差显着降低了现有方法对金标准数据的性能。假设这些方法所依赖的手工特征中的假设是问题的根源，我们开发了第一个用于蛋白质界面预测的端到端学习模型，即Siamese Atomic Surfacelet Network（SASNet）。SASNet仅使用原子的空间坐标和身份，即使只在我们新数据集的3%上训练，也优于在黄金标准结构数据上训练的最先进方法。代码和数据可在https://github.com/drorlab/DIPS获得。
2019-12-26 cs.LG q-bio.BM stat.ML
