Pressure and temperature dependence of fluorescence anisotropy of Green Fluorescent Protein
研究了高静压和温度对绿色荧光蛋白（GFP）稳态荧光各向异性的影响。我们发现，荧光各向异性的GFP在恒定的温度下，随着压力的增加而减少。在大气压下，各向异性随温度的升高而减小，但当压力大于20 MPa时，各向异性随温度的升高而呈现最大值。各向异性最大值对应的温度随压力的增加而增加。考虑到GFP的旋转相关时间的变化与压力-温度依赖的粘度的溶剂，我们认为，粘度随压力的增加是不是一个主要的贡献因素，各向异性随压力的下降。我们的研究结果表明，荧光各向异性随压力的下降可能是由于生色团周围的氢键环境的变化。
2022-02-15 q-bio.BM
Functional State Dependence of Picosecond Protein Dynamics
我们研究温度依赖的皮秒动力学作为溶菌酶和细胞色素c的结构和功能的函数，使用温度依赖的太赫兹介电常数测量。本征态响应符合双Arrhenius温度依赖关系，活化能E1 ~ 0.1kJ/mol，E2 ~10 kJ/mol。较高的活化能与溶剂-蛋白质界面处与β弛豫相关的所谓蛋白质动力学转变一致。较低的活化能与相关的结构运动是一致的。当通过变性去除结构时，不再存在较低活化能的过程。此外，较低的活化能过程与配体结合减少，但不为内氧化态的变化。我们认为，较低的能量激活过程与集体结构运动，不再与变性或绑定访问。
2011-05-23 cond-mat.soft q-bio.BM
CRNPRED: Highly Accurate Prediction of One-dimensional Protein Structures by Large-scale Critical Random Networks
背景资料：一维蛋白质结构如二级结构或接触数对于三维结构预测是有用的，并且有助于直观地理解序列-结构关系。准确的预测方法将作为这些和其他目的的基础。结果：我们实现了一个程序CRNPRED预测二级结构，接触数和残基明智的接触顺序。这个程序是基于一个新的机器学习计划称为临界随机网络。与大多数传统的基于氨基酸序列局部窗口的一维结构预测方法不同，CRNPRED考虑了整个序列。CRNPRED实现，平均每条链，Q3 = 81%的二级结构预测，和相关系数为0.75和0.61的接触数和残基的接触顺序预测，分别。结论：CRNPRED将是一个有用的工具，计算以及实验生物学家谁需要准确的一维蛋白质结构预测。
2006-04-12 q-bio.BM
Fluid-crystal coexistence for proteins and inorganic nanocolloids: dependence on ionic strength
我们从理论上研究了球状带电纳米粒子（如蛋白质和无机胶体）溶液的流体-晶体共存。通过优化的Baxter模型计算流体相的热力学性质。这是专门为溶菌酶和silicotungstates的裸露的粘附参数进行评估，通过实验的第二维里系数。晶体的静电自由能是通过假设颗粒之间的间隙相中的空穴是球形的形式来近似的。在无盐的情况下，求解泊松-玻尔兹曼方程来计算粒子上的有效电荷，并使用唐南近似来推导盐存在下的化学势和渗透压。溶菌酶和silicotungstates共存的数据进行了分析，特别是在这个计划中的化学势的离子强度依赖。后者在两个阶段内是一致的，只要允许有效收费向上调整。
2006-04-11 cond-mat.soft q-bio.BM
Solvation enhances folding cooperativity and the topology dependence of folding rates in a lattice protein model
本研究通过蒙特卡洛模拟格点蛋白质模型，发现有利溶剂化能增强折叠协同性并改善折叠速率与拓扑的相关性，提示溶剂化对双态蛋白质折叠特性有重要贡献。
2025-03-30 cond-mat.soft q-bio.BM
Self Consistent Path Sampling: Making Accurate All-Atom Protein Folding Simulations Possible on Small Computer Clusters
我们引入了一个强大的迭代算法来计算蛋白质折叠途径，与现实的全原子力场。使用的路径积分形式主义，我们明确推导出一个修改后的Langevin方程直接采样的反应途径的合奏，指数降低模拟热激活转换的成本。该算法还产生一个严格的随机估计的反应坐标。在一个简单的玩具模型上说明了这种方法后，我们成功地验证了它对超长平原MD蛋白质折叠模拟的结果，快速折叠蛋白质（Fip 35），这是在安东超级计算机上进行的。使用我们的算法，计算这种蛋白质的折叠轨迹只需要1000个核心小时，甚至可以在桌面工作站上进行计算。
2017-05-05 cond-mat.soft physics.bio-ph q-bio.BM
Accurate Demarcation of Protein Domain Linkers based on Structural Analysis of Linker Probable Region
在多结构域蛋白质中，结构域通过称为蛋白质结构域接头的柔性非结构化区域连接。这些接头的准确划分是理解其生物化学和进化属性的关键。该知识有助于设计用于工程化稳定的多结构域嵌合蛋白的合适的接头。在这里，我们提出了一种新的方法划分的基础上的三维蛋白质结构和结构域定义的连接器。所提出的方法是基于生物学知识的结构灵活性的连接。我们对已知SCOP结构域的结构域边界点周围的连接子可能区域（LPR）进行了结构分析。使用一组固定大小的重叠肽片段描述LPR。然后通过几何不变式（GI）描述每个肽片段，并进行聚类过程，其中对应于实际接头的片段作为离群值出现。然后，我们通过从LPR中找到离群片段的最长连续延伸来发现实际的连接子。该方法在51个连续多结构域蛋白质的基准数据集上进行了评估，其F1得分为0.745（精确度为0.83，召回率为0.66）。当该方法应用于725个连续的多结构域蛋白质时，它能够识别以前未报道的新接头。该方法可以与基于监督/序列的接头预测方法组合使用，以用于准确的接头划分。
2012-11-23 cs.CE q-bio.BM
Multi-modal Representation Learning Enables Accurate Protein Function Prediction in Low-Data Setting
Karadeniz Technical University（卡拉德尼兹技术大学）；Middle East Technical University（中东技术大学）；Health Sciences University Trabzon Kanuni Training and Research Hospital（特拉布宗卡努尼健康科学大学培训与研究医院）；Hacettepe University（哈杰泰佩大学）
提出多模态框架HOPER，整合序列、文本和PPI网络，通过自编码器和迁移学习提升低数据下蛋白质功能预测，在基准上全面超越现有方法，并识别肺腺癌免疫逃逸蛋白。
2024-11-22 cs.LG q-bio.BM
How accurate are polymer models in the analysis of Forster resonance energy transfer experiments on proteins?
单分子福斯特共振能量转移（FRET）实验被用来推断蛋白质的变性态系综（DSE）的性质。根据测量的平均FRET效率<E>，通过假设DSE可以被描述为聚合物来推断距离分布P（R）。P（R）的适当聚合物模型（高斯链、蠕虫状链或自回避行走）中的单个参数通过使计算值和测量值相等来确定<E>。为了评估这个“标准程序”的准确性，我们考虑广义劳斯模型（GRM），其属性[<E>和P（R）]可以解析计算，和蛋白质L的分子转移模型，准确的模拟可以作为盐酸胍（GdmCl）浓度的函数进行。使用<E>GRM和蛋白质L的精确计算，我们使用标准程序推断P（R）。我们发现，平均端到端的距离可以准确地推断（小于10%的相对误差）使用<E>和聚合物模型的P（R）。然而，提取的回转半径（Rg）和持续长度（lp）的值不太准确。在推断的R-g和LP的相对误差，相对于精确值，可以是高达25%，在最高的GdmCl浓度。我们提出了一个自我一致性测试，需要<E>通过连接染料在蛋白质中的不同残基的测量，以评估使用高斯模型描述DSE的有效性。应用自洽检验的GRM表明，即使对于这个简单的模型，高斯P（R）是不够的。对冷休克蛋白FRET效率的实验数据分析表明，DSE P（R）与高斯模型存在显著偏差。
2009-05-04 q-bio.BM
Protein Folding as a Quantum Transition Between Conformational States: Basic Formulas and Applications
蛋白质折叠被认为是多肽链上扭转态之间的量子跃迁。本文综述了前人对折叠速率公式的推导。将速率公式推广到褶皱频率变化的情况。1）基于量子跃迁的概念，给出了二态和多态蛋白质折叠的统一理论。2)研究了折叠和去折叠速率与变性剂浓度的关系。3)推导了折叠速率的温度依赖性，并以自然的方式解释了折叠速率的温度依赖性的非阿耳忒修斯行为。4)基于动力学接触序模型计算了折叠速率对惯性矩的依赖关系，并与100个蛋白质实验数据进行了比较，得到了一致的结果。5)通过比较每种蛋白质的理论和实验速率，区分放能和吸能折叠。从量子折叠理论的角度研究超快折叠问题，并利用量子测不准关系导出了一个新的折叠速度极限。6）由于在现有的量子跃迁公式中只有挠率可达态是可处理的，讨论了如何利用统计能量景观方法扩展挠率可达态的集合。上述讨论支持了蛋白质折叠本质上是构象状态之间的量子跃迁的观点。
2010-08-22 q-bio.BM
ContactNet: Geometric-Based Deep Learning Model for Predicting Protein-Protein Interactions
School of Computer Science and Engineering（计算机科学与工程学院）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
提出基于注意力图神经网络的ContactNet模型，无需MSA即可将对接生成的蛋白质-蛋白质相互作用模型分类为准确或不准确，在抗体-抗原测试中Top-10准确率达43%，未结合抗体时达65%，显著优于现有评分函数。
2024-06-26 cs.LG q-bio.BM
SeedProteo: Accurate De Novo All-Atom Design of Protein Binders
ByteDance Seed（字节跳动种子）
SeedProteo通过整合自条件化特性，实现了从头全原子蛋白质结合物设计的高精度与多样性，并在实验中验证了其在治疗靶点上的高效性能。
2026-02-24 q-bio.BM
Towards Accurate Prediction of Mutation-Induced Changes in Protein Structure
Yale University（耶鲁大学）
本研究基于PDB数据刻画突变诱导的蛋白质局部结构变化，评估AlphaFold3预测准确性随变形增大而下降，并发现溶剂可及性变化与变形相关性稳定，为预测单氨基酸突变结构变化提供框架。
2026-09-22 physics.bio-ph q-bio.BM
Accurate and efficient description of protein vibrational dynamics: comparing molecular dynamics and Gaussian models
当前基于全原子势的分子动力学（MD）允许在宽范围的时间尺度上识别蛋白质的功能运动，高达几十ns。然而，蛋白质的功能性大尺度运动可能发生在一个时间尺度上，目前无法通过基于全原子势的分子动力学获得。为了避免这种方法所需的大量计算工作，已经引入了几个简化的方案。其中最令人满意的是高斯网络方法的基础上的能量膨胀的蛋白质骨架从其天然配置的偏差。在这里，我们考虑这个模型的扩展，它捕获在一个更现实的方式，由于引入有效的侧链质心分布的本地相互作用。由于它们的位置完全由蛋白质骨架决定，因此该模型与以前的简单模型一样，可以进行相同的精确和计算效率的处理。该模型描述的相关运动的蛋白质残基在热力学平衡的能力是建立通过一系列成功的比较与广泛的（14 ns）MD模拟的基础上的琥珀色潜力的HIV-1蛋白酶与肽底物的复合物。因此，这里提出的模型出现作为一个强大的工具，提供初步的，快速而准确的表征蛋白质近天然运动。
2004-05-07 cond-mat.soft cond-mat.stat-mech q-bio.BM
Consistent treatment of hydrophobicity in protein lattice models accounts for cold denaturation
疏水效应通过形成疏水核心最小化疏水残基与水之间的不利相互作用来稳定蛋白质的天然结构。在这里，我们包括熵和疏水效应的贡献明确在一个隐式溶剂模型。这使我们能够捕捉到两个重要的影响：长度尺度的依赖性和温度依赖性的溶剂化的疏水颗粒。疏水效应的这种一致处理解释了溶剂化蛋白质的冷变性和热容量测量。
2015-11-25 cond-mat.soft physics.bio-ph q-bio.BM
Inferring interaction partners from protein sequences
特定的蛋白质-蛋白质相互作用在细胞中至关重要，既可以确保多蛋白质复合物的形成和稳定性，也可以使各种途径中的信号转导成为可能。蛋白质之间的功能相互作用导致相互作用伙伴之间的共同进化，导致它们的序列相关。在这里，我们利用这些相关性来准确地识别哪些蛋白质是仅从序列数据中的特定相互作用伙伴。我们的一般方法，采用成对最大熵模型来推断残基之间的耦合，已成功地用于预测蛋白质的三维结构的序列。因此，启发，我们引入了一个迭代算法来预测特定的相互作用伙伴从两个蛋白质家族的成员是已知的相互作用。我们首先评估算法对细菌双组分信号系统中组氨酸激酶和反应调节剂的性能。我们在没有任何关于相互作用伙伴的先验知识的情况下，在我们的完整数据集上获得了惊人的0.93真阳性分数，并且我们揭示了这种成功的起源。然后，我们将该算法应用于ATP结合盒（ABC）转运蛋白复合物的蛋白质，并在这些系统中获得准确的预测。最后，我们提出了两个指标，准确区分相互作用的蛋白质家族，从非相互作用的，只使用序列数据。
2016-11-17 physics.bio-ph q-bio.BM
Highly accurate and efficient deep learning paradigm for full-atom protein loop modeling with KarmaLoop
KarmaLoop是首个全原子蛋白质环区建模的深度学习范式，兼顾主链与侧链，精度（平均RMSD提升两倍以上）和效率（至少两个数量级加速）均显著优于现有方法，助力蛋白质工程与药物设计。
2023-06-22 q-bio.BM
Thermal denaturation and folding rates of single domain proteins: size matters
我们分析了球形蛋白质的热变性转变和折叠速率与氨基酸残基数目、N。利用格点Go模型，我们证明了Δ T/T_F ~ N^-1，其中T_F是折叠转变温度，Δ T是折叠转变宽度。这一发现是一致的有限尺寸的影响，预计从无序相到有序相的相变系统。格点模型和57个蛋白质和多肽的数据集的折叠速率k_F对N的依赖性表明，如果0 < beta <= 2/3且C是常数，则k_F = k_F^0 exp（-CN^beta）提供了良好的拟合。我们发现，在大多数情况下，k_F = k_F^0 exp（-1.1N^0.5），其中k_F^0 =（0.4x10^-6 s）^-1可以估计最佳蛋白质折叠速率，误差在一个数量级以内。通过对一组具有β折叠拓扑结构的蛋白质使用这种拟合，我们发现k_F^0近似等于k_U^0，k_U^0是解折叠速率的前因子。这类蛋白质的k_U^0/k_F^0的最大比值为10。
2003-10-16 q-bio.BM
Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints
氨基酸共变异方法不适用于小的蛋白质家族，限制了它们在全基因组结构注释中的应用。最近，深度学习已经显示出即使对于浅序列比对也允许精确的残基-残基接触预测的前景。在这里，我们介绍DMPfold，它使用深度学习来预测原子间距离界限，主链氢键网络和扭转角，它用来以迭代的方式构建模型。DMPfold比CASP 12结构域测试集的两种流行方法产生更准确的模型，并且对于跨膜蛋白也同样有效。应用于所有Pfam域没有已知的结构，这些所谓的黑暗家庭的25%的信心模型在一个星期内产生的一个小的200核心集群。DMPfold为16%的人类蛋白质组UniProt条目提供了模型，没有结构，在某些情况下生成了少于100个序列的准确模型，并且可以免费获得。
2019-09-09 q-bio.BM
Accurate De Novo Prediction of Protein Contact Map by Ultra-Deep Learning Model
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
近年来，蛋白质接触预测取得了令人振奋的进展，但对于没有大量同源序列的蛋白质，预测的接触仍然是低质量的，对从头结构预测不是很有用。本文提出了一种新的深度学习方法，该方法通过由两个深度残差网络形成的超深度神经网络整合进化耦合（EC）和序列保守信息来预测接触。这种深度神经网络使我们能够模拟非常复杂的序列接触关系以及长距离的相互接触相关性。我们的方法大大优于现有的接触预测方法，并导致更准确的接触辅助蛋白质折叠。在579个蛋白质的三个数据集上进行测试，我们的方法，代表性EC方法CCMpred和CASP 11获奖者MetaPSICOV的平均top L远程预测准确率分别为0.47，0.21和0.30;我们的方法，CCMpred和MetaPSICOV的平均top L/10远程准确率分别为0.77，0.47和0.59。使用我们预测的接触作为约束的从头折叠可以产生正确的折叠（即，TMscore>0.6），而使用MetaPSICOV-和CCMpred-预测的接触可以分别仅对79和62种蛋白质这样做。此外，我们的接触辅助模型比基于模板的模型具有更好的质量。使用我们预测的接触作为限制，我们可以（从头开始）折叠398个膜蛋白中的208个，TM评分>0.5。相比之下，当我们的方法的训练蛋白质被用作模板时，同源建模只能对其中的10个进行。一个有趣的发现是，即使我们没有用任何膜蛋白训练我们的预测模型，我们的方法在膜…
2016-11-27 cs.LG q-bio.BM q-bio.QM
Accurate protein-folding transition-path statistics from a simple free-energy landscape
蛋白质折叠理论的一个中心目标是预测过渡路径的随机动力学-在折叠和展开的集合之间过渡的罕见轨迹-只使用热力学信息，如低维平衡自由能景观。然而，常用的一维景观通常达不到这个目标，因为经验的坐标依赖的扩散系数必须适合过渡路径轨迹数据，以重现过渡路径动态。我们表明，一个替代的，第一性原理自由能景观预测过渡路径的统计，以及同意模拟和单分子实验，而不需要动态数据作为输入。这种“拓扑构型”模型假设不同的、类似天然的子结构在一个时间尺度上组装，该时间尺度比天然接触形成慢，但比整个蛋白质的折叠快。仅使用平衡模拟数据来确定这些粗粒中间态的自由能，我们预测了广泛的分布的过渡路径的渡越时间，同意与模拟中观察到的过渡路径的持续时间。我们进一步表明，无论是一维序参量上的有限时间位移的分布和由模型产生的过渡路径轨迹的合奏是一致的模拟过渡路径。这些结果表明，景观的基础上的瞬态折叠中间体，这往往是隐藏的一维投影，可以形成预测模型的基础上的蛋白质折叠过渡路径动力学。
2018-08-07 q-bio.BM
Recurrent oligomers in proteins - an optimal scheme reconciling accurate and concise backbone representations in automated folding and design studies
介绍了一种新的方案，以捕捉自然发生的蛋白质中的连续氨基酸的空间相关性。这种基于知识的策略能够进行最佳的自动化细分的蛋白质片段的相似性的类。目标是提供能够代表任何其他片段的蛋白质寡聚体的最小集合（为简洁起见称为“寡聚体”）。与之前对重复出现的局部基序进行分类的研究不同，我们关心的是提供简化的蛋白质表示，这些蛋白质表示已针对自动折叠和/或设计尝试进行了优化。在这种情况下，限制每个氨基酸的自由度的数量而不导致结构表示的准确性损失是至关重要的。所建议的方法通过构造找到了这些需求之间的最佳折衷。考虑了几种可能的寡核苷酸长度。结果表明，有意义的分类不能做长度大于6或小于4。考虑不同的情况，长度为5或6的寡核苷酸是可分离的。只有几十个这样长度的寡核苷酸，几乎任何蛋白质都可以在典型的实验不确定性内复制。寡核苷酸的结构数据是公开的。
2000-10-19 cond-mat.soft cond-mat.stat-mech q-bio.BM
Temperature and force dependence of nanoscale electron transport via the Cu protein Azurin
用探针原子力显微镜（CP-AFM）研究了固定化天青蛋白（Az）的固态电子输运（ETp）机制，包括温度（248 - 373 K）和针尖力（6-12 nN）对ETp的影响。通过改变CP-AFM中的温度和力，我们发现ETp机制可以随着通过针尖施加到蛋白质的力的变化而改变。随着所施加的力的增加，ETp通过Az从温度无关的变化到高温下的热激活。这与Az的Cu耗尽形式（apo-Az）相反，其中增加施加的力仅引起小的定量效应，其与电极间距的减小相适应。在低力下，ETp通过holo-Az是温度无关的，并且通过apo-Az热激活。这一观察结果与宏观尺度的测量结果一致，从而证实了全息和apo-Az之间ETp对温度依赖性的差异是一种固有的差异，可能反映了两种形式之间的刚性差异。这些结果的一个重要含义，这取决于在一个显着的温度范围内的CP-AFM测量，是软系统，如蛋白质的ETp测量，施加到样品的应力应保持恒定，或至少在测量过程中控制。
2012-09-14 cond-mat.mtrl-sci physics.bio-ph q-bio.BM
Information-theoretical measures identify accurate low-resolution representations of protein configurational space
生物大分子的分子动力学模拟正面临着巨大的机遇和挑战。事实上，产生了大量的数据，必须从中提取有用的、综合的和可理解的信息，才能从认识到理解迈出关键的一步。本文解决了分子动力学模拟过程中蛋白质构象空间粗化的问题。我们应用不同的方案来聚类蛋白质模拟数据集的框架;然后，我们采用了一个基于分辨率和相关性概念的信息理论框架，来衡量各种聚类方法在多大程度上实现了构型空间的简化。我们的方法使我们能够确定最佳平衡简单性和信息量的分辨率水平;此外，我们发现，物理上最准确的聚类程序是那些诱导低分辨率空间的超度量结构的程序，这与蛋白质构象景观具有自相似组织的假设一致。所提出的策略是通用的，其适用性超出了计算生物物理学，使其成为从大型数据集中提取有用信息的有价值的工具。
2022-05-17 cond-mat.soft cond-mat.stat-mech q-bio.BM
Accurate Protein Structure Prediction by Embeddings and Deep Learning Representations
Columbia University（哥伦比亚大学）；Cornell University（康奈尔大学）
蛋白质是生命的主要组成部分，也是生物体中几乎所有化学和生物物理事件的致动器。它们的天然结构反过来又使它们的生物功能在药物设计中起着重要作用。这激发了从蛋白质的氨基酸序列预测其结构，这是计算生物学中的一个基本问题。在这项工作中，我们展示了最先进的蛋白质结构预测（PSP）结果，使用嵌入和深度学习模型预测骨架原子距离矩阵和扭转角。我们恢复了骨架原子的三维坐标，并通过优化重构了全原子蛋白质。我们创建了一个新的蛋白质的黄金标准数据集，它是全面的，易于使用。我们的数据集包括氨基酸序列、Q8二级结构、位置特异性评分矩阵、多个序列比对共进化特征、骨架原子距离矩阵、扭转角和3D坐标。我们通过RMSD对最新的蛋白质结构预测技术关键评估（CASP）测试数据进行了结构预测质量评估，并与CASP13中的获胜团队和AlphaFold一起展示了竞争结果，并取代了CASP12中获胜团队的结果。我们公开我们的数据、模型和代码。
2019-11-09 cs.LG q-bio.BM stat.ML
Are proteins ultrametric?
一个简单的和令人惊讶的准确描述的光谱扩散在深冻球状蛋白质直接使用蛋白质动力学的超度量的概念。以前，类似的概念已被用于成功地描述在200 K左右的温度下肌红蛋白的配体再结合动力学。因此，超度为蛋白质运动的广泛尺度下的蛋白质动力学提供了一个普遍的背景。
2008-04-29 q-bio.BM q-bio.QM
Anharmonicity and self-similarity of the free energy landscape of protein G
通过0.4微秒长的原子分子动力学模拟研究了蛋白质G的近天然自由能景观。一个理论和计算框架是用来评估显着的物理特征的时间依赖性。虽然准谐波特性的自由能被发现在几纳秒内降解，慢模式显示出非常温和的依赖于轨迹的持续时间。这个属性起源于一个惊人的自相似性的自由能景观体现的一致性的主要方向的局部极小值，其中系统停留了几个ns，和虚拟的跳跃连接它们。
2006-12-12 cond-mat.soft physics.bio-ph q-bio.BM
DCI: An Accurate Quality Assessment Criteria for Protein Complex Structure Models
本文提出基于距离图和接触界面图的DCI分数，用于无限制地精确评估蛋白质复合物结构模型，在CAPRI分类精度上不逊于DockQ且能更好处理非对接情况，并在CASP数据集上验证有效。
2024-06-30 math.OC q-bio.BM
Interactive molecular dynamics in virtual reality for accurate flexible protein-ligand docking
模拟药物结合和解结合是一个挑战，因为分离结合和未结合状态的崎岖的能量景观需要消耗大量计算资源的大量采样。在这里，我们描述了使用交互式分子动力学在虚拟现实（iMD-VR）作为一个准确的低成本的策略灵活的蛋白质配体对接。我们概述了一个实验方案，使专家iMD-VR用户能够引导配体进出胰蛋白酶，神经氨酸酶和HIV-1蛋白酶的结合口袋，并在5 - 10分钟内重新创建各自的晶体蛋白-配体结合姿势。经过短暂的培训阶段，我们的研究表明，iMD-VR新手能够在与iMD-VR专家相似的时间尺度上生成解结合和再结合途径，其中大多数能够在晶体学结合位姿的2.15埃RMSD内恢复结合位姿。这些结果表明，iMD-VR为用户提供了足够的控制来进行将柔性配体对接到动态酶活性位点并恢复晶体学姿势所需的详细原子操作，为模拟药物对接和生成结合假设提供了一种有趣的新方法。
2020-02-04 physics.bio-ph physics.comp-ph q-bio.BM
Commutative Algebra Learning for Protein Flexibility Analysis
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
提出基于交换代数的学习框架CAL，通过构建多尺度局部代数描述符，在364个蛋白质数据集上相比经典高斯网络模型预测精度提升34.5%，并实现跨蛋白质B因子盲预测。
2026-07-01 q-bio.BM
Protein atom traps as seeing by neutron scattering
该研究提出量子多势阱模型解释蛋白质动力学转变，用单参数描述均方位移的温度依赖，并论证蛋白质可作为原子阱在稍高温度下控制量子比特。
2024-03-25 cond-mat.mes-hall cond-mat.soft physics.bio-ph
Bio-energy Transport as a Phonon Dressed Vibrational Exciton in Protein Molecules
本文根据Davydov的孤子理论，研究了蛋白质分子中的能量传输。利用声子缀饰振动激子的量子布朗运动模型，计算了振动激子的均方距离、扩散系数和能量随时间的变化关系。通过求解量子朗之万方程，我们发现了时间依赖性，并发现了由于超扩散非欧姆耗散引起的振荡行为。我们发现，振动激子获得的总能量，由于耦合到声子浴，它也耗散其能量的环境，因为它的传播。的能量增益和振荡特性的量取决于温度和声子-振动子耦合。
2019-03-27 cond-mat.stat-mech physics.bio-ph q-bio.BM
Influence of proteins from physiological solutions on the electrochemical behaviour of the Ti-6Al-4V alloy: reproducibility and time-frequency dependence. ---- Influence de la teneur en protéines de solutions physiologiques sur le comportement électrochimique du Ti-6Al-4V : reproductibilité et représentation temps-fréquence
生物医学和金属合金的电化学行为，特别是在骨科植入物领域，提出了许多问题。本研究致力于通过电化学阻抗谱（EIS）在各种生理介质中研究Ti-6Al-4V合金：林格氏溶液、磷酸盐缓冲溶液（PBS）、PBS溶液和白蛋白、含小牛血清的PBS溶液和含小牛血清和抗氧化剂（叠氮化钠）的PBS溶液。此外，将去离子水视为参比溶液。研究了试验的重现性。时间-频率-模块图强调去离子水对Ti-6Al-4V合金的保护性最强。该生物医学合金在由PBS和白蛋白构成的溶液中受保护较少。时间-频率图允许指出有机和无机物质吸附的图形特征（研究溶液中的模块平均值与参比溶液中的模块平均值之间的差异）。- Le comportement électrochimique des alliages metalliques biomedicaux，notamment dans le domaine des implants orthopédiques，pose encore de nombreuses questions.本研究提出了Ti-6Al-4V钛合金的研究方法，采用电化学阻抗谱法（SIE），在不同的生理环境中进行：林格氏溶液、磷酸盐溶液（PBS）、含白蛋白的PBS溶液、含牛血清的PBS溶液以及含牛血清和抗氧化剂（钠氮）的PBS溶液。此外，一个解决方案的水超纯服务的参考。考试的可重复性已经被研究过了。Les représen…
2010-12-05 q-bio.BM
Large-scale identification of coevolution signals across homo-oligomeric protein interfaces by Direct Coupling Analysis
蛋白质已经进化到执行不同的细胞功能，从充当反应催化剂到协调细胞繁殖和发育。通常，蛋白质不发挥其作为单体的全部潜力，而是作为同源寡聚体或作为异源寡聚体与其他蛋白质进行协同相互作用。这种蛋白质复合物和相互作用的实验研究一直是艰巨的。理论结构预测方法是一种有吸引力的替代方法。在这里，我们调查同源寡聚接口通过跟踪残基协同进化通过全球统计直接耦合分析（DCA）。DCA可以准确地推断残基之间的空间邻接关系。这些邻接关系可以作为结构预测技术中的约束条件来预测高分辨率模型。通过利用正在进行的指数增长的序列数据库，我们大大超越了一些蛋白质家族的轶事的情况下，并应用DCA的近2000 PFAM蛋白质家族有足够的序列信息和结构上解决的同源寡聚体接口的系统的大规模研究。我们发现，大型接口通常由DCA识别。我们进一步证明，DCA可以区分一个大的PFAM家族内的不同结合模式的亚家族。亚家族的序列衍生的接触信息证明足以组装不同的蛋白质寡聚体的准确结构模型。因此，我们提供了一种方法来研究寡聚化的任意蛋白质家族导致的结构模型互补往往困难的实验方法。结合越来越丰富的序列数据，我们预计，这项研究将有助于允许在未来的许多异质蛋白质复合物的结构描述。
2017-03-03 q-bio.BM
Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes
Stanford University（斯坦福大学）
预测多蛋白质复合物的结构是生物化学中的一个巨大挑战，对基础科学和药物发现具有重大意义。计算结构预测方法通常利用预定义的结构特征来区分准确的结构模型和不太准确的结构模型。这就提出了一个问题，即是否有可能直接从蛋白质复合物的原子坐标中学习精确模型的特征，而无需事先假设。在这里，我们介绍了一种机器学习方法，该方法直接从所有原子的3D位置学习，以识别蛋白质复合物的准确模型，而不使用任何预先计算的物理或统计术语。我们的神经网络架构结合了多种成分，这些成分共同实现了从包含数万个原子的分子结构中进行端到端学习：原子的基于点的表示，旋转和平移的等方差，局部卷积和分层子采样操作。当与以前开发的评分函数结合使用时，我们的网络大大提高了在大量可能模型中识别准确结构模型的能力。我们的网络还可以用于预测给定结构模型的绝对精度。我们提出的架构是很容易适用于其他任务，涉及学习大型原子系统的3D结构。
2021-01-23 cs.CV cs.LG q-bio.BM
Deep Learning for Protein Complex Prediction and Design
TOYOTA TECHNOLOGICAL INSTITUTE AT CHICAGO（丰田技术研究所芝加哥分校）
本文利用深度学习研究蛋白质复合体结构建模与设计，提出领域专用架构和高效搜索算法，提升预测精度与序列设计能力。
2026-05-11 cs.LG q-bio.BM
Persistent local Laplacian prediction of protein-ligand binding affinities
Mathematical Science Research Center, Chongqing University of Technology（重庆理工大学数学科学研究中心）；Department of Mathematics and Statistics, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校数学与统计系）
本文提出持久局部拉普拉斯理论，用于构建捕捉生物分子局部几何和拓扑特征的分子描述符，结合先进机器学习算法，实现对蛋白质-配体结合亲和力的准确预测。
2026-03-23 q-bio.BM
FABind: Fast and Accurate Protein-Ligand Binding
Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Microsoft Research AI4Science（微软研究院AI4Science）；School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院）
针对药物发现中蛋白质-配体结合预测的效率与准确性难以兼顾的问题，提出端到端模型FABind，通过结合配体信息的口袋预测与增量整合口袋的对接优化，实现了高效且准确的蛋白质-配体结合。
2024-01-09 cs.AI cs.LG q-bio.BM
HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction
Yale University（耶鲁大学）
本文提出 HAC-Net，一种结合三维卷积通道注意力与图卷积注意力聚合的混合深度学习模型，在 PDBbind v.2016 核心集上取得最先进蛋白质-配体结合亲和力预测性能，并通过多种数据划分和低质量数据评估验证其泛化能力。
2023-03-28 cs.LG q-bio.BM
ResCap-DBP: A Lightweight Residual-Capsule Network for Accurate DNA-Binding Protein Prediction Using Global ProteinBERT Embeddings
Department of Biomedical Engineering, Bangladesh University of Engineering（生物医学工程系，孟加拉国工程大学）；School of Mathematics, Physics and Computing（数学、物理与计算学院）；University of Southern Queensland, Springfield, QLD 4300, Australia（南方昆士兰大学，斯普林菲尔德，QLD 4300，澳大利亚）
本文提出 ResCap-DBP 轻量级残差-胶囊网络，融合全局 ProteinBERT 嵌入直接预测 DNA 结合蛋白，并在多组基准上取得优于现有方法的 AUC 与泛化表现。
2025-07-27 cs.AI cs.LG eess.SP
How pairwise coevolutionary models capture the collective residue variability in proteins
通过直接偶联分析（DCA）构建的同源蛋白质家族的全局共进化模型最近特别受到欢迎，这是由于它们能够仅从序列信息准确地预测残基-残基接触，从而促进三级和四级蛋白质结构预测。最近，它们也被用于预测蛋白质中氨基酸取代的适应性效应，以及预测进化保守的蛋白质相互作用。这些模型基于两个目前不合理的假设：（a）不同位置的氨基酸使用的相关性是由直接偶联网络共同产生的;（b）成对偶联足以捕获氨基酸变异性。在这里，我们提出了一个高度精确的推理方案的基础上玻尔兹曼-机器学习，这使我们能够系统地解决这些假设。我们展示了相关性是如何建立在一个高度集体的方式由大量的耦合路径，这是基于蛋白质的三维结构。我们进一步发现，成对的共同进化模型捕获的集体残基变异跨同源蛋白质，即使是数量不施加的推理程序，如三个残基的相关性，蛋白质家族在序列空间中的聚类结构或同源物之间的序列距离。这些研究结果强烈表明，成对的共同进化模型实际上是足以准确地捕捉同源蛋白质家族中的残基变异。
2018-01-12 cond-mat.stat-mech q-bio.BM q-bio.QM
PANDA: Predicting the change in proteins binding affinity upon mutations using sequence information
准确测定突变后蛋白质结合亲和力的变化对于发现和设计新的治疗剂以及辅助诱变研究是重要的。测定突变后结合亲和力的变化需要复杂、昂贵和耗时的湿实验室实验，这些实验可以用计算方法来辅助。大多数计算预测技术需要蛋白质结构，这限制了它们对具有已知结构的蛋白质复合物的适用性。在这项工作中，我们探索了基于序列的预测突变后蛋白质结合亲和力的变化。我们已经使用蛋白质序列信息代替蛋白质结构以及机器学习技术来准确预测突变后蛋白质结合亲和力的变化。我们提出的基于序列的蛋白质结合亲和力预测新变化称为PANDA，在相同的验证集以及外部独立的测试数据集上，比现有的方法具有更好的准确性。在外部测试数据集上，我们提出的方法给出的最大Pearson相关系数为0.52，而现有的基于蛋白质结构的方法MutaBind给出的最大Pearson相关系数为0.59。我们提出的基于蛋白质序列的方法预测突变后结合亲和力的变化，与现有的基于蛋白质结构的方法相比具有广泛的适用性和相当的性能。PANDA及其Python代码的基于云的Web服务器实现可在https://sites.google.com/view/wajidarshad/software和https://github.com/wajidarshad/panda上获得。
2020-09-16 cs.AI cs.LG q-bio.BM
Network and Sequence-Based Prediction of Protein-Protein Interactions
背景：通常，蛋白质通过相互作用来执行关键的生物学功能。因此，预测哪些蛋白质对相互作用是一个基本问题。实验方法是缓慢的，昂贵的，并且可能是容易出错的。已经提出了许多计算方法来识别候选相互作用对。如果准确，它们可以作为一个廉价的初步过滤阶段，随后进行下游实验验证。在这些方法中，基于序列的是非常有前途的。结果：我们提出了一种新的算法，利用拓扑和生物信息来预测蛋白质相互作用。我们全面比较我们的框架与国家的最先进的方法在可靠的PPI数据集，表明他们有竞争力或更高的准确性生物验证testsets.Conclusion：我们表明，拓扑加上基于序列的计算方法可以有效地预测整个人类interactome相比，利用只有一个生物信息源的方法。
2022-02-06 cs.OH q-bio.BM
On fine-tuning Boltz-2 for protein-protein affinity prediction
Synteny London, UK（伦敦Synteny研究所）
本文研究了在蛋白质-蛋白质亲和力预测中微调Boltz-2的表现，发现其在小规模和大规模数据集上均不如基于序列的方法，但结合结构和序列嵌入可提升性能。
2025-12-06 cs.LG q-bio.BM
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
Phylogenetic correlations can suffice to infer protein partners from sequences
确定哪些蛋白质相互作用对于系统水平的细胞理解至关重要。最近，算法的基础上直接耦合分析（DCA）成对最大熵模型已经允许确定从序列数据的旁系同源蛋白质之间的相互作用的合作伙伴。DCA在预测蛋白质相互作用方面的成功可能主要是基于其已知的鉴定在蛋白质复合物的三维结构中接触的残基对以及共同进化以保持物理化学互补的残基对的能力。然而，相互作用的蛋白质具有相似的进化历史。纯粹的系统发育相关性在基于DCA的方法推断相互作用伙伴的性能中的作用是什么？为了解决这个问题，我们采用了受控的合成数据，这些数据只涉及遗传学，没有相互作用或接触。我们发现，DCA准确地识别共享进化历史的合成序列对。虽然系统发育相关性混淆DCA接触残基的鉴定，因此，它们是有用的预测旁系同源物之间的相互作用的合作伙伴。我们发现，DCA执行以及系统发育的方法，为此，并略优于他们与大而准确的训练集。在迭代配对算法（IPA）中采用DCA或系统发育方法可以在没有训练集的情况下预测进化伙伴对。我们证明了这些不同的方法能够正确预测真正的旁系同源蛋白质与基因组接近，但没有已知的物理相互作用之间的配对，说明了自然数据中的系统发育相关性的重要性。然而，物理相互作用和强烈的共同进化的蛋白质，DCA和互信息优于系统发育方法。我们讨论如何区分物理相互作用的蛋白质从那些只共享进化历史。
2019-09-04 cond-mat.stat-mech physics.bio-ph q-bio.BM
Leveraging Sequence Embedding and Convolutional Neural Network for Protein Function Prediction
National Tsing Hua University（台湾清华大学）
准确预测蛋白质功能和性质的能力在生物技术产业中是必不可少的，例如药物开发和人工蛋白质合成等。蛋白质功能预测的主要挑战是大的标签空间和缺乏标记的训练数据。我们的方法利用无监督序列嵌入和深度卷积神经网络的成功来克服这些挑战。相比之下，大多数现有的方法删除罕见的蛋白质功能，以减少标签空间。此外，一些现有的方法需要额外的生物信息（例如，蛋白质的三维结构），这在生物化学实验中难以确定。我们提出的方法显着优于其他方法的公开可用的基准只使用蛋白质序列作为输入。这使得识别蛋白质功能的过程得以加速。
2021-12-01 cs.AI cs.LG q-bio.BM
