A novel entropy-based hierarchical clustering framework for ultrafast protein structure search and alignment
蛋白质的三维折叠的鉴定和比对可以产生关于通过常规方法（例如序列比较）检测到的太遥远的关系的有用信息，并且可能潜在地导致预测共同结构片段中的模式和基序。随着结构蛋白质组学数据的指数级增长，以数据增长率为尺度的方法失去了效率。因此，应该开发新的方法，减少这个问题的计算费用。我们提出了一个新的框架，通过它，我们能够通过层次聚类和基于熵的查询搜索，找到和对齐蛋白质结构的邻居，并提出了一个基于Web的蛋白质数据库搜索和对齐工具，以证明我们的方法的适用性。由此产生的方法复制了当前金标准的结果，在显著更短的时间内灵敏度损失最小，同时改善了现有的基于定制和动态网络环境的蛋白质结构比较的网络工作空间。我们的工具既是蛋白质结构比较的功能性工业手段，也是蛋白质组学中化学的有效演示。
2017-01-08 q-bio.QM
UniOTalign: A Global Matching Framework for Protein Alignment via Optimal Transport
UniOTalign利用最优传输的全局匹配框架，通过融合非平衡Gromov-Wasserstein距离，实现蛋白质序列的比对，有效处理非顺序相似性，超越了传统动态规划方法。
2025-10-08 q-bio.QM
Geometric deep learning assists protein engineering. Opportunities and Challenges
本文探讨几何深度学习在蛋白质工程中的应用，提出统一框架整合可解释AI与结构验证，以应对序列复杂性和数据稀缺挑战，推动自主设计。
2025-06-19 q-bio.QM
Alignment of Protein-Protein Interaction Networks
PPI网络比对旨在发现不同物种网络之间的拓扑和功能相似性。已经提出了几种对齐方法。这些方法都依赖于不同的比对方法，并在比对过程中使用不同的生物信息，如网络的拓扑结构和蛋白质之间的序列相似性，但很少整合蛋白质之间的功能相似性。在这方面，我们提出了我们的算法PPINA（蛋白质相互作用网络对齐），这是一个扩展的NETAL算法。后者根据蛋白质的序列、功能和网络拓扑相似性对齐两个网络。PPINA已经在真实的PPI网络上进行了测试。结果表明，PPINA优于其他比对算法，它提供了生物学意义的结果。
2019-11-22 q-bio.MN q-bio.QM
CLePAPS: Fast Pair Alignment of Protein Structures Based on Conformational Letters
快速、高效、可靠的蛋白质结构两两比对算法在分析快速增长的蛋白质结构数据中的需求越来越大。CLePAPS是为此目的开发的工具。它区别于其他现有的算法通过使用构象字母，这是离散状态的3D片段结构状态。字母对应于由四个连续残基的C_alpha假键形成的三个角的组合的簇。一个名为CLESUM的替代矩阵可用于测量任何两个此类字母之间的相似性。CLePAPS将对齐片段对（AFP）视为具有高的成对CLESUM分数之和的无帽字符串对。使用CLESUM分数作为相似性度量，CLePAPS通过简单的字符串比较来搜索AFP。最好地叠加高度相似的AFP的变换可以用于在比较中对结构对进行分类。与几种其他AFP一致的高评分AFP确定初始比对。然后，CLePAPS加入一致的AFP，由它们的相似性分数指导，通过几个“放大”迭代步骤来扩展比对。后续的细化产生最终的对齐。CLePAPS不实现动态编程。在各种蛋白质结构对上测试CLePAPS的效用。
2007-10-31 q-bio.QM
Back-translation for discovering distant protein homologies
编码蛋白质的DNA序列中的移码突变在所产生的蛋白质序列中产生剧烈变化，这阻止了经典的蛋白质比对方法揭示蛋白质的共同起源。此外，当大量的取代另外涉及分歧时，即使在DNA水平上同源性检测也变得困难。为了应对这种情况，我们提出了一种新的方法来推断两种蛋白质的远距离同源关系，该方法考虑了可能影响编码序列的移码和点突变。我们设计了一个动态规划比对算法的内存效率的图形表示的一套完整的推定的DNA序列的每种蛋白质，确定两个推定的DNA序列具有最好的评分比对下一个强大的评分系统，旨在反映最可能的进化过程的目标。这使我们能够发现传统比对方法无法捕获的进化信息，这些信息已被生物学上重要的例子所证实。
2010-01-26 q-bio.QM
Towards Reliable Automatic Protein Structure Alignment
结构相似性计算方法有多种，称为结构对齐或结构叠加。现有的结构对齐算法的一个主要缺点是基于局部结构相似性的固有设计。在这项工作中，我们提出了一种方法，将全球信息在获得最佳的路线和叠加。我们的方法，当应用于优化TM分数和GDT分数，产生显着更好的结果比目前国家的最先进的蛋白质结构比对工具。具体来说，如果TMalign发现的最高TM分数低于（0.6），而其中一种测试方法发现的最高TM分数高于（0.5），则TMalign无法找到高于（0.5）的TM分数的概率为（42%），而如果使用我们的方法，则相同的概率降低到（2%）。如果使用（0.5）的截止TM分数，这可以显著提高折叠检测的准确性。此外，现有的结构比对算法只关注结构相似性，而简单地忽略了其他重要的相似性，如序列相似性。我们的方法有能力将多个相似性的评分功能。结果表明，序列相似性有助于找到高质量的蛋白质结构比对，更一致的眼睛检查比对在HOMSTRAD。即使当结构相似性本身未能找到任何一致性与眼睛检查的路线，我们的方法仍然能够找到路线高度相似，甚至相同，眼睛检查的路线。
2013-07-30 q-bio.QM
IMPACT: Interval-based Multi-pass Proteomic Alignment with Constant Traceback
Darwin是一个基因组学协处理器，通过创新的硬件和算法协同设计，在长读组装上实现了15000倍的加速。达尔文算法和硬件实现是专门为DNA分析管道设计的。分析了Darwin算法应用于蛋白质序列比对问题的可行性。除了达尔文的行为分析比对蛋白质时，我们提出了一个算法改进达尔文比对算法，GACT，在一个多通道的变体，增加其准确性蛋白质序列比对的形式。具体地说，我们提出的GACT的多通道变体平均实现了14%的更好的对齐分数。
2019-02-09 q-bio.QM
On subset seeds for protein alignment
本文将文献[1]中提出的子集种子的概念应用于蛋白质序列的相似性搜索。研究的主要问题是设计有效的种子字母表，以构建具有最佳灵敏度/选择性权衡的种子。我们提出了几种不同的设计方法，并使用它们来构建几个字母。然后，我们对在这些字母表上构建的种子进行比较分析，并将它们与标准BLASTP播种方法[2]，[3]以及[4]中提出的矢量种子家族进行比较。虽然子集种子的形式主义比BLASTP和载体种子中使用的累积原理表达性更低（但实现成本更低），但我们的种子在与常见BL 0 SUM 62矩阵兼容的蛋白质的伯努利模型上显示出类似或甚至更好的性能。最后，我们对几个主要的蛋白质比对数据库进行了大规模的种子基准测试。在这里，结果再次显示了我们的种子与BLASTP相比相当或更好的性能。
2009-01-21 q-bio.QM
AutoProteinEngine: A Large Language Model Driven Agent Framework for Multimodal AutoML in Protein Engineering
Toursun Synbio（拓臻生物科技）；City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
研究针对生物学家缺乏计算知识难以应用深度学习开展蛋白质工程的问题，提出AutoProteinEngine框架，集成LLMs与AutoML，经两项任务验证其性能优于传统方法，降低了深度学习应用门槛。
2026-08-06 cs.AI q-bio.QM
Solving Maximum Clique Problem for Protein Structure Similarity
分子生物学的一个基本假设是，共享紧密三维（3D）结构的蛋白质可能具有共同的功能，并且在大多数情况下来自同一祖先。因此，计算两个蛋白质结构之间的相似性是一项至关重要的任务，并已被广泛研究。评估两种蛋白质的相似性可以通过在它们的组分之间找到最佳的一对一匹配来完成，这相当于在特定的“比对图”中识别最大加权团。在本文中，我们提出了一个新的整数规划制定解决这样的集团问题。该模型已使用CPLEX Callable Library实现。此外，我们设计了一个专用的分支定界算法来解决最大基数团问题。这两种方法都已集成到VAST（矢量比对搜索工具）中，VAST是一种用于比对蛋白质3D结构的软件，主要用于NCBI（国家生物技术信息中心）。原始的VAST团求解器使用著名的Bron和Kerbosh算法（BK）。我们对真实蛋白质比对实例的计算结果表明，对于最大的蛋白质，我们的分支定界算法比BK快116倍。
2009-01-30 q-bio.QM
A statistical physics perspective on alignment-independent protein sequence comparison
在生物信息学中，氨基酸序列的文本比对长期以来一直主导着蛋白质之间相似性的确定，所有这些都意味着共享的结构，功能和进化血统。尽管现代序列比对算法相对成功，但所谓的无重复比对方法提供了确定和表达相似性的补充手段，在某些关键应用中具有潜在益处，例如蛋白质结构-功能研究的回归分析，其中重复碱基相似性表现不佳。在这里，我们提供了一个新的，基于统计物理学的角度，专注于无干扰比较的问题，在这个过程中，从“第一次通过概率分布”的结果，总结总体平均氨基酸倾向值的统计。在这篇文章中，我们介绍和阐述这种方法。
2016-02-09 q-bio.BM q-bio.QM
Influence of Multiple Sequence Alignment Depth on Potts Statistical Models of Protein Covariation
Potts统计模型已成为分析蛋白质多序列比对（MSA）中突变共变异的一种流行和有前途的方法，以了解蛋白质的结构、功能和适应性。但是，这些模型的统计局限性，它可以有数百万个参数，并适合只有数千或数百个有效序列的MSA使用称为逆伊辛推理的程序，是不完全理解的。在这项工作中，我们预测模型质量如何作为序列数$N$、序列长度$L$、氨基酸字母大小$q$和MSA保守程度的函数在Potts模型的不同应用中降低：在个体蛋白质序列的“适合度”预测中，在单点突变效应的预测中，在上位性的“双突变循环”预测中，以及蛋白质结构的三维接触预测。我们展示了如何作为MSA深度$N$减少的“过拟合”的影响发生，这样的序列在训练MSA有高估的健身，我们预测这种效果的大小，并讨论如何正则化可以帮助纠正它，使用有限采样的影响的统计分析动机的正则化过程。我们发现，随着$N$的降低，点突变效应预测的质量降低最少，适应性和上位性预测降低得更快，接触预测受到的影响最大。然而，对于超过几千个有效序列的MSA深度，过拟合变得可以忽略不计，正如在实践中经常使用的那样，并且正则化变得不那么必要。我们讨论了这些结果的影响，波茨协变分析的用户。
2019-01-19 q-bio.QM
From Protein Interactions to Functional Annotation: Graph Alignment in Herpes
序列比对形成了通过系统发育比较进行功能注释的许多方法的基础，但是在高序列差异和短基因长度的“黄昏”区域变得不可靠。在这里，我们进行了两个疱疹病毒，VZV和KSHV，与一个混合的方法称为图形对齐的跨物种比较。该方法是基于共同的蛋白质相互作用网络的相似性和序列相似性。在我们的比对中，我们发现开放阅读框的相互作用相似性与低水平的序列相似性一致，从而证实了进化关系。此外，我们发现高水平的开放阅读框之间的相互作用相似性，没有任何可检测的序列相似性。从该比对得到的功能预测与基因组位置和基因表达数据一致。
2007-07-09 q-bio.MN q-bio.QM
Adaptive machine learning for protein engineering
Stanford University School of Medicine（斯坦福大学医学院）；Stanford University（斯坦福大学）；Microsoft Research New England（微软新英格兰研究院）
从数据中学习以预测蛋白质序列如何编码功能的机器学习模型正在成为一种有用的蛋白质工程工具。然而，当使用这些模型来建议新的蛋白质设计时，必须处理蛋白质序列的巨大组合复杂性。在这里，我们回顾如何使用序列到功能机器学习代理模型来选择序列进行实验测量。首先，我们讨论如何通过单轮机器学习优化来选择序列。然后，我们讨论顺序优化，其目标是发现优化的序列，并在多轮训练，优化和实验测量中改进模型。
2021-07-06 cs.LG q-bio.BM q-bio.QM
Lie-RMSD: A Gradient-Based Framework for Protein Structural Alignment using Lie Algebra
针对蛋白质结构比对问题，提出基于李代数的Lie-RMSD可微分框架，将刚体变换表示为SE(3)李代数向量，通过梯度优化最小化RMSD，在腺苷酸激酶构象比对中精度与Kabsch算法一致，为复杂评分函数扩展提供基础。
2025-08-23 q-bio.QM
Global alignment of protein-protein interaction networks by graph matching methods
排列不同物种的蛋白质-蛋白质相互作用（PPI）网络最近引起了相当大的兴趣。这个问题对于研究物种间进化保守的途径或蛋白质复合物，以及通过检测保守的相互作用来帮助鉴定功能性直系同源物是重要的。然而，这是一个困难的组合问题，只有启发式方法已提出到目前为止。我们重新制定的PPI对齐作为一个图形匹配问题，并研究如何国家的最先进的图形匹配算法可以用于此目的。我们区分两个比对问题，这取决于是否严格限制蛋白质匹配，基于序列相似性，或者目标是找到一个最佳的折衷序列相似性和相互作用之间的保守性的比对。我们提出了新的方法，这两种情况下，并评估其性能的酵母和苍蝇PPI网络的对齐。新方法始终优于最先进的算法，特别是在给定的序列相似性水平下，检索比IsoRank多78%的保守相互作用。可用性：http：//cbio.ensmp.fr/proj/graphm\_graphm/，可根据要求提供其他数据和代码。联系人：jean-philippe. mines-paristech.fr
2009-05-07 math.CO math.OC q-bio.MN
Fast and Interpretable Protein Substructure Alignment via Optimal Transport
Shanghai Jiao Tong University（上海交通大学）；University of Cambridge（剑桥大学）
本文提出PLASMA框架，通过最优传输解决蛋白质局部结构对齐问题，实现高效且可解释的残基级对齐，并通过实验验证其准确性与实用性。
2026-04-09 cs.AI cs.LG q-bio.QM
TourSynbio-Search: A Large Language Model Driven Agent Framework for Unified Search Method for Protein Engineering
Toursun Synbio（Toursun 合成生物）；City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
TourSynbio-Search是TourSynbio-7B驱动的双模块搜索智能体框架，可跨多平台检索文献与蛋白质数据，降低技术门槛，提升蛋白质工程研究的信息检索效率与生产力
2026-08-06 cs.AI q-bio.QM
Using Sequence Alignments to Predict Protein Structure and Stability With High Accuracy
我们提出了一种基于序列的概率形式主义，直接解决了蛋白质相互作用位置网络中的合作效应，提供了显着改善的接触预测，以及由于多个突变的非加性效应的自由能变化的准确定量预测。除了这些实际的考虑，我们的基于序列的计算与实验数据的结构和稳定性的协议表明，由自然进化过程中产生的蛋白质序列的统计分布之间的关系很强，这些序列的结构的热力学稳定性折叠。
2012-07-10 q-bio.BM q-bio.QM
Improving few-shot learning-based protein engineering with evolutionary sampling
EpiCRISPR Biotechnologies（EpiCRISPR生物技术公司）
本文提出一种结合半监督迁移学习与进化蒙特卡洛马尔可夫链采样的少样本蛋白质设计方法，在小型偏斜数据集上构建适应度景观并高效探索，实验筛选基因激活因子的命中率显著优于现有方法。
2023-05-26 cs.LG q-bio.QM
CLeFAPS: Fast Flexible Alignment of Protein Structures Based on Conformational Letters
提出了一种基于刚体框架的快速、灵活的两两结构对齐算法CLeFAPS（CLePAPS）。而不是让曲折（或弯曲），CLeFAPS中的柔性意味着：（a）通过自适应输入结构的大小来灵活地调整算法的参数，（b）灵活地将对齐片段对（AFP）添加到一对多对应集合中，而不是检查它们的位置冲突，（c）柔性片段可以通过以基于矢量的分数而不是基于距离的分数为基础的延伸程序来发现。在近相关蛋白质基准测试（HOMSTRAD）和远相关蛋白质基准测试（SABmark）上对CLeFAPS与其他常用算法（包括刚体算法和柔性算法）进行了比较，结果表明，CLeFAPS在运行时间仅为其他算法的1/150 ~ 1/50的情况下，具有一定的竞争力甚至优于其他算法.
2009-03-04 q-bio.BM q-bio.QM
Annotation-guided Protein Design with Multi-Level Domain Alignment
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；Tencent AI Lab（腾讯AI实验室）；Peking University（北京大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
针对现有蛋白质设计缺乏直接功能注释引导的问题，提出多模态框架PAAG，通过多级结构域对齐整合文本注释实现可控生成，在7项预测任务和生成成功率上优于现有模型。
2024-12-12 cs.AI cs.LG q-bio.QM
A Space-Efficient Approach towards Distantly Homologous Protein Similarity Searches
蛋白质相似性搜索是分子生物学家的一项常规工作，其中需要将氨基酸的查询序列与不断增长的蛋白质数据库进行比较和排名。该领域中所有可用的算法可以分为两类，要么通过动态规划使用序列比对来解决问题，要么采用某些启发式措施来进行初始筛选，然后将最佳序列比对算法应用于最接近的匹配候选者。虽然第一种方法具有巨大的时间和空间需求，但后一种方法可能会错过一些与查询序列远相关的蛋白质序列。在本文中，我们提出了一个启发式的成对序列比对算法，可以有效地用于蛋白质数据库搜索中等规模的数据库。所提出的算法是足够快，适用于短查询序列的数据库搜索，具有恒定的辅助空间的要求，产生良好的对齐，是足够敏感的，甚至远相关的蛋白质链，可能感兴趣的返回。
2015-08-25 cs.CE q-bio.QM
The MIp Toolset: an efficient algorithm for calculating Mutual Information in protein alignments
背景资料：蛋白质家族内的共同进化通常是通过统计学来预测的，这些统计学测量了蛋白质序列中位置之间的共同变异程度。互信息是两个随机变量之间依赖性的度量，已被广泛用于预测蛋白质内的协同进化。结果：在这里，我们提供了一个算法的有效计算的蛋白质家族内的互信息。该算法使用的链表是直接访问的指针数组。链表允许有效存储由蛋白质保守引起的稀疏计数数据。指针的直接访问数组防止每次修改链表时遍历链表。结论：该算法在软件MIpToolset中实现，但也可以在其他基于互信息的独立软件或Web服务器中轻松实现。MIpToolset中的当前实现在比对编辑和策展期间的大规模蛋白质家族分析和实时协同进化计算中至关重要。MIpToolset可从以下网址获得：https://sourceforge.net/projects/miptoolset/
2013-04-16 q-bio.BM q-bio.GN q-bio.PE
Few Shot Protein Generation
Massachusetts Institute of Technology（麻省理工学院）；Simons Machine Learning Center（西蒙斯机器学习中心）；New York Structural Biology Center（纽约结构生物学中心）
我们提出的MSA到蛋白质的Transformer，蛋白质序列的生成模型的条件下，蛋白质家族的多个序列比对（MSA）。与学习蛋白质家族的生成模型的现有方法不同，MSA到蛋白质Transformer直接在多个序列比对的学习编码上调节序列生成，从而避免了对拟合专用家族模型的需要。通过在Pfam中训练大量精心策划的多序列比对，我们的MSA到蛋白质Transformer很好地推广到训练期间未观察到的蛋白质家族，并且优于传统的家族建模方法，特别是当MSA很小时。我们的生成方法准确地建模上位性和插入缺失，并允许精确的推理和有效的采样不同于其他方法。我们展示了我们的MSA到蛋白质的Transformer的蛋白质序列建模能力，并将其与综合基准实验中的替代序列建模方法进行比较。
2022-04-03 cs.AI q-bio.BM q-bio.QM
TadA-Bench: A Million-Variant Benchmark for Future-Round Discovery Toward Agentic Protein Engineering
Tsinghua University（清华大学）
TadA-Bench 是一个基于31轮TadA定向进化的百万变异湿实验回放基准，通过定义固定数据回放任务来评估模型在未见过的未来轮次中排序变异的能力，并引入Seq2Graph统一标签，揭示进化覆盖度比局部数据密度更重要。
2026-05-29 cs.AI cs.LG q-bio.QM
SESNet: sequence-structure feature-integrated deep learning method for data-efficient protein engineering
Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China University of Science and Technology（华东理工大学）
本文提出 SESNet 深度学习模型，通过整合序列和结构信息及注意力机制预测蛋白质突变体适应性，并提出利用无监督数据预训练的数据增强策略，在少量实验数据下实现高阶突变体的高精度预测。
2022-12-29 cs.LG q-bio.QM
VenusFactory: A Unified Platform for Protein Engineering Data Retrieval and Language Model Fine-Tuning
Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；East China University of Science and Technology（华东理工大学）
针对蛋白质工程领域跨学科应用受数据收集、基准测试等限制的问题，研究提出整合生物数据检索、标准化基准测试与PLMs模块化微调的VenusFactory平台，支持双操作模式，集成40+数据集与40+主流模型并已开源。
2025-03-19 cs.AI cs.CL q-bio.QM
On the current failure -- but bright future -- of topology-driven biological network alignment
蛋白质的功能是由其相互作用伙伴定义的。因此，拓扑驱动的网络对齐的蛋白质相互作用（PPI）网络的两个物种应该发现类似的相互作用模式，并允许识别功能相似的蛋白质。然而，在用于PPI网络比对的50种或更多种算法中，很少有算法已经证明了网络拓扑和功能相似性之间的显著联系，并且没有一种算法单独使用网络拓扑来恢复直系同源物。我们发现导致这种失败的主要因素是：（i）当前PPI网络中的边缘密度太低，以至于不能期望拓扑网络对齐成功;（ii）当边缘密度足够高时，一些拓扑相似性的度量容易发现功能相似的蛋白质，而另一些则不能;以及（iii）大多数网络对齐算法不能优化它们自己的拓扑目标函数，妨碍了它们有效地使用拓扑的能力。我们证明，SANA的模拟退火网络对齐显着优于现有的对齐优化自己的目标函数，甚至达到接近最优的解决方案时，最佳的解决方案是已知的。我们提供了基于拓扑结构的全球网络比对的第一个演示，这些网络比对功能相似的蛋白质，在某些情况下p值低于1 e-300。我们预测，拓扑网络对齐有一个光明的未来，边缘密度增加的值，良好的对齐成为可能。我们证明，当足够的共同拓扑结构是目前在足够高的边缘密度，例如在最近，部分合成网络的综合互动数据库拓扑网络对齐很容易恢复最直系同源，铺平了道路，高通量的功能预测的基础上拓扑驱动的网络对齐。
2022-04-25 q-bio.MN q-bio.QM
MRFalign: Protein Homology Detection through Alignment of Markov Random Fields
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
基于序列的蛋白质同源性检测已经被广泛研究，并且迄今为止最灵敏的方法是基于蛋白质序列谱的比较，所述蛋白质序列谱来自于蛋白质家族中序列同源物的多个序列比对（MSA）。序列谱通常表示为位置特异性评分矩阵（PSSM）或HMM（隐马尔可夫模型），因此PSSM-PSSM或HMM-HMM比较用于同源物检测。本文提出了一种新的同源性检测方法MRFalign，该方法由三个关键部分组成：1）一个蛋白质家族的马尔可夫随机场（MRF）表示; 2）一个衡量两个MRF相似性的评分函数; 3）一个高效的ADMM（Alternating Direction Method of Multipliers）算法。与只能模拟非常短距离残基相关性的HMM相比，MRF可以模拟长距离残基相互作用模式，从而编码蛋白质家族的全局3D结构信息。因此，用于远程同源性检测的MRF-MRF比较应比HMM-HMM或PSSM-PSSM比较灵敏得多。实验证实，MRFalign优于几个流行的HMM或PSSM为基础的方法在比对精度和远程同源性检测方面，MRFalign工程特别好，主要是β蛋白。例如，在用于同源性检测的基准SCOP 40（8353种蛋白质）上测试，PSSM-PSSM和HMM-HMM在超家族水平上分别对48%和52%的蛋白质成功，并且在倍数水平上分别对15%和27%的蛋白质成功。相比之下，MRFalign在超家族和折叠水平上的成功率分别…
2014-01-15 cs.CE cs.LG q-bio.QM
QuickProbs 2: towards rapid construction of high-quality alignments of large protein families
随着高通量测序技术的发展，序列数据库的规模不断扩大，使得多种比对算法面临着前所未有的挑战。正如我们所示，用于提高对齐质量的成熟技术，即，当感兴趣的是大的蛋白质家族时，精细化和一致性是无效的。我们提出了QuickProbs 2，多个序列比对的算法。基于概率模型，配备了新颖的列导向细化和选择性一致性，它提供了出色的准确性。在分析数百个序列时，QuickProbs 2明显优于Clustal Omega，后者是处理众多蛋白质家族的领先者。在较小的集合中，基于一致性的方法是最好的，QuickProbs 2也优于竞争对手。由于选择性一致性和利用大规模并行架构的计算可扩展性，所提出的算法在执行时间方面与Clustal Omega相当，并且比完全一致性方法（如MSAProbs或PicXAA）快几个数量级。所有这些使QuickProbs 2成为一个有用的工具，用于比对从几个到数百个蛋白质的家族。QuickProbs 2可在https://github.com/refresh-bio/QuickProbs上获得。
2016-08-30 cs.CE cs.DC cs.DS
Generative power of a protein language model trained on multiple sequence alignments
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Institute of Bioengineering（生物工程研究所）；School of Life Sciences（生命科学学院）；SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
本文提出并验证了一种基于 MSA Transformer 掩码语言建模目标的迭代序列生成方法，证明其在同源性、共进化、结构度量及高阶统计分布上优于或媲美 Potts 模型，展示了该模型在蛋白质序列生成与设计中的强大能力。
2022-11-20 cs.LG q-bio.BM q-bio.QM
How to make the most of your masked language model for protein engineering
BigHat Biosciences（BigHat生物科学公司）
本文提出一种灵活有效的掩码语言模型采样方法，通过系统评估模型和方法在抗体工程中的实际应用，揭示采样方法对生物性质优化的重要性。
2026-11-03 cs.LG q-bio.QM
Finite-temperature local protein sequence alignment: percolation and free-energy distribution
序列比对是生物信息学中的一种工具，用于在大型分子数据库中发现同源关系。它可以映射到无规介质中定向聚合物的物理模型上。我们认为，有限温度版本的本地序列比对蛋白质和研究之间的过渡的线性阶段和生物相关的对数阶段，其中的自由能增长线性或grammically与序列长度。通过数值模拟和有限尺寸标度分析，我们确定了由间隙成本和温度跨越的平面中的相图。我们使用最常用的参数集进行蛋白质比对。描述参数驱动的过渡的临界指数被发现是明确的温度依赖性。此外，我们研究的（自由）能量分布的形状接近过渡的稀有事件模拟的顺序$10^{-64}$的概率。众所周知，在对数区域中，最佳分数分布（T=0）由修改的Gumbel分布描述。我们确认，这也适用于自由能分布（$T>0$）。然而，在线性阶段，分布交叉到修改的高斯分布。
2009-07-13 cond-mat.dis-nn cond-mat.stat-mech q-bio.QM
Adaptive BLASTing through the Sequence Dataspace: Theories on Protein Sequence Embedding
我们认为系统发育谱提供了一种定量方法，可以将蛋白质的结构和功能特性以及它们的进化关系联系起来。系统发育谱的一个关键特征是可互操作的数据格式（例如比对信息、生理化学信息、基因组信息等）。事实上，我们以前已经证明了位置特异性评分矩阵（PSSM）是一个信息M维，可以从嵌入或未修饰的序列比对的定量测量进行评分。此外，从这些比对中获得的信息是有用的，即使在序列相似性的模糊区（<25%同一性）（1-5）。虽然强大，我们以前的嵌入策略遭受污染对齐（嵌入和未修改）和计算费用。在这里，我们描述了一个启发式嵌入策略（自适应GDDA-BLAST，Ada-BLAST）的逻辑和算法过程。Ada-BLAST平均快约19倍，与我们以前的方法具有相似的灵敏度。此外，我们提供的数据表明嵌入式对齐测量隔离二级结构元件和分类跨膜结构域的结构/功能的好处。我们推测，序列嵌入是多种方式之一，低身份比对可以测量和纳入高性能的PSSM为基础的系统发育概况。
2009-11-03 q-bio.GN 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
From thermodynamics to protein design: Diffusion models for biomolecule generation towards autonomous protein engineering
University of Paris City（巴黎城市大学）；University of Reunion（留尼汪大学）；INSERM（法国国家健康与医学研究院）；Imperial College London（伦敦帝国学院）；University of Magallanes（麦哲伦大学）；Centre for Biotechnology and Bioengineering, Universidad de Chile（智利大学生物技术与生物工程中心）；Leibniz Institute of Plant Biochemistry（莱布尼茨植物生物化学研究所）；National Centre for Biological Science, TIFR（塔塔基础研究院国家生物科学中心）；Indian Institute of Science（印度科学学院）；Institute of Bioinformatics and Applied Biotechnology（生物信息学与应用生物技术研究所）；EnergyLab（能源实验室）；Faculty of Sciences and Technology, University of Reunion（留尼汪大学科学与技术学院）；School of Information Science and Technology（信息科学与技术学院）；Beijing Institute of Artificial Intelligence（北京人工智能研究院）；University Le Havre Normandie（勒阿弗尔诺曼底大学）；PEACCEL（PEACCEL公司）；AI for Biologics（AI for Biologics部门）
本文综述扩散模型的数学原理及其在蛋白质、肽和药物相关生物分子生成中的应用，并探讨 E(3) 等变性与自主蛋白质工程的未来方向。
2025-01-05 cs.AI cs.LG q-bio.QM
VenusMutHub: A systematic evaluation of protein mutation effect predictors on small-scale experimental data
VenusMutHub基于905个小规模实验数据集、527个蛋白质，系统评估23种蛋白质突变效应预测模型，为工业场景下选择精准预测特定功能性质的方法提供基准与指导。
2025-03-10 q-bio.QM
Protein language models trained on multiple sequence alignments learn phylogenetic relationships
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
具有注意力的自监督神经语言模型最近被应用于生物序列数据，推进结构，功能和突变效应预测。一些蛋白质语言模型，包括MSA Transformer和AlphaFold的EvoFormer，将进化相关蛋白质的多个序列比对（MSA）作为输入。MSA Transformer的行注意力的简单组合导致了最先进的无监督结构接触预测。我们表明，同样简单，通用的，MSA Transformer的列关注的组合强烈相关的序列之间的汉明距离在MSA。因此，基于MSA的语言模型编码详细的系统发育关系。我们进一步表明，这些模型可以分离的共同进化信号编码的功能和结构的限制，反映历史偶然性的系统发育相关性。为了评估这一点，我们生成合成的MSA，无论是没有或有同源性，从天然MSA训练的波茨模型。我们发现，无监督的接触预测时，使用MSA Transformer与推断Potts模型的系统发育噪声更有弹性。
2022-09-21 cs.LG q-bio.BM q-bio.QM
Hydropathy Conformational Letter and its Substitution Matrix HP-CLESUM: an Application to Protein Structural Alignment
动机：蛋白质序列世界是离散的20个氨基酸（AA），而其结构世界是连续的，虽然可以离散成结构字母表（SA）。为了揭示序列和结构之间的关系，在联合空间中考虑AA和SA是有趣的。然而，这样的空间有太多的参数，所以减少AA是必要的，以降低参数数量。测试结果：我们已经开发了一种简单但有效的方法，称为熵聚类的基础上选择一个给定的减少AA和SA之间的最佳互信息。AA优化还原成两个基团导致疏水性和亲水性。结合我们的SA，即构象字母（CL）的17个字母，我们得到了一个联合字母称为亲水性构象字母（hp-CL）。从FSSP中导出了一个具有（17*2）*（17*2）指标的联合替换矩阵。此外，我们检查了三个编码系统，说AA，CL和hp-CL对一个大的数据库，包括从家庭到折叠的蛋白质，与他们的性能上的TopK的准确性相似片段对（SFP）和对齐片段对（AFP）的邻居。TopK选择是根据编码系统的替换矩阵计算的分数。最后，将hp-CL嵌入到成对比对算法中，例如CLeFAPS，以取代原始CL，将在HOMSTRAD基准上得到改进。
2010-01-18 q-bio.BM q-bio.QM
MolBind: Multimodal Alignment of Language, Molecules, and Proteins
Penn State University（宾夕法尼亚州立大学）；Tsinghua University（清华大学）
本文提出MolBind框架，通过对比学习将语言、2D分子图、3D分子构象和3D蛋白质对齐到共享特征空间，并构建四模态数据集MolBind-M4，在多种任务上实现优越的零样本学习性能。
2024-04-03 cs.CL cs.LG q-bio.QM
Hashing for Protein Structure Similarity Search
National Key Laboratory for Novel Software Technology（计算机软件新技术国家重点实验室）；Department of Computer Science and Technology（计算机科学与技术学院）；Nanjing University（南京大学）
针对蛋白质结构相似性搜索中实值向量方法成本高且精度不足的问题，提出蛋白质结构哈希方法POSH，通过学习二值向量表示并引入人工特征与结构编码器建模节点边交互，实现了更高的搜索准确率，同时内存节省超六倍、速度提升超四倍。
2024-11-13 cs.AI cs.LG q-bio.QM
Large Language Model is Secretly a Protein Sequence Optimizer
Tufts University（塔夫茨大学）；Northeastern University（东北大学）；Cornell University（康奈尔大学）；UC Berkeley（加州大学伯克利分校）
该研究发现经文本训练的大语言模型可作为蛋白质序列优化器，结合定向进化方法，在帕累托与实验预算约束下实现蛋白质工程，在两类适应度景观上均验证有效。
2025-01-17 cs.AI cs.LG q-bio.QM
Scoring-Assisted Generative Exploration for Proteins (SAGE-Prot): A Framework for Multi-Objective Protein Optimization via Iterative Sequence Generation and Evaluation
SAGE-Prot框架通过迭代结合自回归蛋白质生成与定量结构-性质关系模型进行多目标优化，在GB1和TEM-1等蛋白质上实现结合亲和力、热稳定性、酶活性及溶解度的显著提升，最高使β-内酰胺酶活性增加17倍。
2025-05-02 q-bio.BM q-bio.QM
Improving protein threading accuracy via combining local and global potential using TreeCRF model
蛋白质结构预测一直是生物信息学中的一个待解决的问题。蛋白质结构预测主要有两类方法：自由建模（FM）和基于模板的建模（TBM）。蛋白质穿线属于基于模板的建模范畴，通过在靶蛋白和模板蛋白之间进行序列-结构比对来识别与靶最可能的折叠。虽然蛋白质穿线已被证明是更成功的蛋白质结构预测，它表现不佳的远程同源性检测。
2015-09-11 q-bio.BM q-bio.QM
Protriever: End-to-End Differentiable Protein Homology Search for Fitness Prediction
Department of Systems Biology, Harvard Medical School（系统生物学系，哈佛医学院）；Department of Computer Science, University of Oxford（计算机科学系，牛津大学）；Department of Computer Science, University of Copenhagen（计算机科学系，哥本哈根大学）；Enzyme research, Novonesis（酶研究，Novonesis）
本文提出端到端可微框架Protriever，将同源蛋白检索与下游适应性预测联合训练，在达到SOTA性能的同时借助向量搜索提速两个数量级。
2025-06-10 cs.LG q-bio.BM q-bio.QM
Stochastic Block Coordinate Frank-Wolfe Algorithm for Large-Scale Biological Network Alignment
随着生物医学研究中越来越多的“大”数据，从这些大数据中获得准确和可重复的生物学知识带来了巨大的计算挑战。在本文中，最近发展的随机块坐标算法的启发下，我们提出了一个高度可扩展的随机块坐标Frank-Wolfe算法的凸优化一般紧凑的凸约束，它有不同的应用在分析生物医学数据，更好地了解细胞和疾病的机制。我们专注于实现衍生的随机块坐标算法来对齐蛋白质-蛋白质相互作用网络，以基于IsoRank框架识别保守的功能通路。我们推导出的随机块坐标Frank-Wolfe（SBCFW）算法具有收敛性保证，自然会导致每次迭代的计算成本（时间和空间）降低。我们在酵母网络中查询保守功能蛋白质复合物的实验证实了这种技术用于分析大规模生物网络的有效性。
2015-05-26 cs.CE q-bio.QM
Improving homology-directed repair by small molecule agents for genetic engineering in unconventional yeast? -- Learning from the engineering of mammalian systems
本文综述了利用小分子试剂提高非常规酵母中同源定向修复效率的策略，借鉴哺乳动物系统经验，并介绍了高通量筛选方法，以促进酵母基因工程。
2023-08-29 q-bio.BM q-bio.QM
ProtoCycle: Reflective Tool-Augmented Planning for Text-Guided Protein Design
Shanghai Jiao Tong University, School of Mathematical Sciences（上海交通大学数学科学学院）；DP Technology（DP技术）；University of Science and Technology of China（中国科学技术大学）；AI for Science Institute（AI for Science研究院）
本文提出ProtoCycle框架，通过LLM驱动的反馈循环和轻量级工具环境，提升文本引导蛋白质设计的序列质量。
2026-04-18 cs.AI q-bio.QM
Protein Representation Learning with Sequence Information Embedding: Does it Always Lead to a Better Performance?
Shanghai Jiao Tong University（上海交通大学）；University of Michigan（密歇根大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出仅基于氨基酸结构表示的局部几何对齐方法ProtLOCA，证明在某些结构对齐任务中嵌入氨基酸类型并非必要，并在全局结构匹配和局部结构配对任务上优于现有方法，为从结构推断蛋白质功能提供了新思路。
2024-06-28 cs.AI q-bio.QM
Protein sequence design with deep generative models
California Institute of Technology（加州理工学院）；Google Deepmind（谷歌DeepMind）；Microsoft Research New England（微软新英格兰研究院）
蛋白质工程旨在鉴定具有优化性质的蛋白质序列。当由机器学习引导时，蛋白质序列生成方法可以利用先验知识和实验努力来改进该过程。在这篇综述中，我们强调了机器学习在生成蛋白质序列方面的最新应用，重点关注新兴的深度生成方法领域。
2021-04-09 cs.LG q-bio.BM q-bio.QM
ProteinNet: a standardized data set for machine learning of protein structure
Harvard Medical School（哈佛医学院）
深度学习的快速发展促进了其在生物信息学问题中的应用，包括蛋白质结构预测和设计。在经典的机器学习问题（如计算机视觉）中，标准化数据集推动了进展，这些数据集有助于公平评估新方法，并降低非领域专家的进入门槛。虽然存在蛋白质序列和结构的数据集，但它们缺乏某些对机器学习至关重要的组件，包括高质量的多个序列比对和绝缘的训练/验证分裂，这些分裂可以解释蛋白质空间中深度但只能微弱检测到的同源性。我们创建了ProteinNet系列数据集，为训练和评估蛋白质序列-结构关系的数据驱动模型提供了标准化机制。ProteinNet将序列、结构和进化信息集成到为机器学习框架定制的可编程访问的文件格式中。使用大量高性能计算资源创建所有结构表征蛋白质的多个序列比对。还生成了标准化数据分割，以通过将蛋白质序列和结构空间重置为六个先前CASP之前的历史状态来模拟过去CASP（蛋白质结构预测的关键评估）实验的难度。利用敏感的基于进化的距离度量来分离远亲蛋白质，我们还创建了与官方CASP集不同的验证集，这些验证集忠实地模仿了它们的难度。因此，ProteinNet代表了一个全面且可访问的资源，用于训练和评估蛋白质结构的机器学习模型。
2019-02-01 cs.LG q-bio.BM q-bio.QM
Toward the regularization of E value from BLAST similarity search into a dissimilarity measure as distance function, and the metrication of protein sequence space
本文探讨了将BLAST相似性搜索中的E值正则化为差异度测量的方法，以改进跨比较和数据库应用中的序列比对和子集选择。
2026-06-29 q-bio.BM q-bio.QM
