Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design
DeepMind Ltd(DeepMind有限公司)
提出对比几何模型ConGLUDe,统一结构与配体训练,实现虚拟筛选、靶标钓鱼和配体条件口袋预测,在多项基准测试中表现优异。
2026-06-12 cs.LG stat.ML
A Systematic Evaluation of Co-folding Model Representations for Small-Molecule Learning
KAIST(韩国科学技术院)
本研究利用现代共折叠模型Boltz2,通过系统探测和蒸馏,评估其原子级配体表示在小分子任务中的表现,发现共折叠表示在ADMET基准上匹配或超越现有模型,加速分子生成建模,并提高结构引导配体优化的样本效率,表明蛋白质-配体共折叠是小分子表示学习的有前景的预训练范式。
2026-05-22 cs.AI cs.LG q-bio.BM
Towards Joint Sequence-Structure Generation of Nucleic Acid and Protein Complexes with SE(3)-Discrete Diffusion
Profluent Bio;AI Research Lab(AI研究实验室)
本文提出MMDiff,利用SE(3)-离散扩散噪声联合生成核酸与蛋白质复合物的序列和结构,并通过新基准验证其在micro-RNA、单链DNA及多链复合物建模中的有效性。
2023-12-21 cs.AI cs.LG q-bio.BM
La-Proteina: Atomistic Protein Generation via Partially Latent Flow Matching
NVIDIA;University of Oxford(牛津大学);Mila - Québec AI Institute(魁北克AI研究所);Université de Montréal(蒙特利尔大学)
提出La-Proteina模型,利用部分潜变量表示和流匹配方法联合生成蛋白质的全原子结构和氨基酸序列,在多项基准测试中达到最先进性能。
2026-05-27 cs.LG q-bio.QM
Protein Contact Prediction by Integrating Joint Evolutionary Coupling Analysis and Supervised Learning
Toyota Technological Institute at Chicago(芝加哥丰田工业大学)
蛋白质接触包含了蛋白质结构和功能研究的重要信息,但从序列中预测蛋白质接触仍然是一个非常具有挑战性的问题。进化耦合(EC)分析和监督机器学习的方法来预测接触,利用不同类型的信息,分别。本文提出了一种群体图形套索(GGL)接触预测方法,结合联合多族EC分析和监督学习。与现有的单家族EC分析仅使用靶蛋白家族中的残基共进化信息不同,我们的联合EC分析使用靶蛋白家族及其相关家族中的残基共进化,这些家族可能具有不同的序列但相似的折叠。为了实现联合EC分析,我们使用高斯图形模型(GGM)建模一组相关的蛋白质家族,然后通过最大似然法共同估计其精度矩阵,但精度矩阵应具有相似的残差共同进化模式。为了进一步提高估计精度矩阵的准确性,我们采用监督学习方法从各种进化和非进化信息中预测接触概率,然后将预测概率作为先验纳入我们的GGL框架。实验表明,我们的方法可以更准确地预测接触比现有的方法,我们的方法执行更好的保守和家庭特定的接触。
2015-04-08 cs.LG math.OC q-bio.BM
Transformer Neural Networks Attending to Both Sequence and Structure for Protein Prediction Tasks
George Mason University(乔治梅森大学)
越来越多的基因组蛋白质序列的解码开辟了新的研究途径,连接蛋白质序列的功能与Transformer神经网络。最近的研究表明,已知蛋白质序列的数量支持通过Transformers学习有用的,任务不可知的序列表示。在本文中,我们认为学习联合序列结构表示可以为功能相关的预测任务提供更好的表示。我们提出了一个Transformer神经网络,出席了序列和三级结构。我们表明,这种联合表示比基于序列的表示更强大,并且它们在各种指标上对超家族成员产生更好的性能。
2022-06-17 cs.AI cs.LG q-bio.QM
CoPreTHi: a Web tool which combines transmembrane protein segment prediction methods
CoPreTHi是一个基于Java的Web应用程序,它将预测蛋白质序列中跨膜片段位置的方法的结果组合到联合预测直方图中。显然,联合预测算法产生比单独预测方案更高质量的结果。该计划可在http://o2.db.uoa.gr/CoPreTHi上获得
2009-02-18 q-bio.QM
RITA: a Study on Scaling Up Generative Protein Sequence Models
LightOn(LightOn公司);University of Oxford(牛津大学);Harvard Medical School(哈佛医学院)
在这项工作中,我们介绍RITA:一套自回归生成模型的蛋白质序列,高达12亿参数,超过2.8亿蛋白质序列属于UniRef-100数据库的训练。这样的生成模型有望大大加速蛋白质设计。我们进行了第一次系统的研究能力如何演变与模型大小的自回归Transformers在蛋白质领域:我们评估RITA模型在下一个氨基酸预测,zero-shot健身,酶功能预测,从增加规模的好处。为了研究社区的利益,我们公开发布RITA模型。
2022-07-14 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
DPLM-2: A Multimodal Diffusion Protein Language Model
Nanjing University(南京大学);ByteDance Research(字节跳动研究院)
本文提出多模态扩散蛋白质语言模型 DPLM-2,通过将三维结构离散化为 token 并联合训练序列与结构分布,实现序列与结构的同时生成,并在折叠、逆折叠等条件生成任务中取得有竞争力的性能。
2024-10-17 cs.LG q-bio.QM
Ankh3: Multi-Task Pretraining with Sequence Denoising and Completion Enhances Protein Representations
Proteinea Inc.(Proteinea公司)
本研究提出多任务预训练模型Ankh3,结合多种掩蔽概率的掩码语言建模与序列补全,仅从蛋白质序列学习更丰富表示,提升二级结构预测、荧光、GB1适应性和接触预测等下游任务性能。
2025-05-26 cs.LG q-bio.QM
Protein Language Models and Structure Prediction: Connection and Progression
Zhejiang University(浙江大学);Westlake University(西湖大学)
从序列预测蛋白质结构是功能预测、药物设计和相关生物过程理解的重要任务。最近的进展已经证明了语言模型(LM)在处理蛋白质序列数据库中的能力,它继承了注意力网络的优点,并在蛋白质的学习表示中捕获有用的信息。在过去的两年中,蛋白质结构预测(PSP)取得了显著的成就,包括基于进化的PSP和基于单序列的PSP。看起来,基于蛋白质语言模型(pLM)的管道已经成为PSP中的主流范例,而不是使用基于能量的模型和采样过程。尽管取得了丰硕的进展,PSP社区需要一个系统的和最新的调查,以帮助弥合自然语言处理(NLP)和PSP领域的LM之间的差距,并介绍他们的方法,进步和实际应用。为此,在本文中,我们首先介绍了蛋白质和人类语言之间的相似性,允许LM扩展到pLM,并应用于蛋白质数据库。然后,我们从网络结构、预训练策略、应用和常用蛋白质数据库的角度系统地回顾了LM和pLM的最新进展。接下来,讨论了PSP的不同类型的方法,特别是基于pLM的结构在蛋白质折叠过程中的作用。最后,我们确定了PSP社区所面临的挑战,并预见了有前途的研究方向,随着pLM的进步。本调查旨在为研究人员了解PSP方法,开发pLM并解决该领域的实际问题提供实践指南。
2022-11-30 cs.AI cs.LG q-bio.QM
SeqProFT: Sequence-only Protein Property Prediction with LoRA Finetuning
University of Birmingham(伯明翰大学)
SeqProFT通过LoRA微调实现基于序列的蛋白质属性预测,证明小型模型在性能和效率上可媲美大型模型,同时降低计算需求。
2025-12-06 cs.LG q-bio.QM
Protein Circuit Tracing via Cross-layer Transcoders
School of Electrical;Computer Engineering, Georgia Institute of Technology, Atltanta, GA
本文提出ProtoMech框架,利用跨层转编码器发现蛋白质语言模型中的计算电路,实现高精度蛋白质设计。
2026-05-13 cs.LG q-bio.QM
Sparse Autoencoders for Low-$N$ Protein Function Prediction and Design
Georgia Institute of Technology(佐治亚理工学院)
本研究系统评估了稀疏自编码器在低样本蛋白质功能预测与设计中的有效性,发现其仅用24条序列即可优于ESM2基线,并通过引导潜在变量在83%案例中生成最高适应性变体。
2025-08-25 cs.LG 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
ProtTeX-CC: Activating In-Context Learning in Protein LLM via Two-Stage Instruction Compression
本文提出 ProtTeX-CC,通过联合嵌入压缩和自压缩两阶段框架将蛋白质演示长度从 751 个 token 压缩至不足 16 个,从而激活 ProtTeX 的上下文学习能力,并在域内和域外蛋白质功能预测上分别提升 2% 和 11%。
2025-08-17 cs.AI cs.LG q-bio.QM
Do Vision CIL Methods Transfer to Protein? A Diagnostic Benchmark of Frozen Protein Encoders
University of Cambridge(剑桥大学)
该研究构建了基于冻结蛋白质编码器的诊断基准,测试9种视觉领域CIL方法在蛋白质功能注释任务中的迁移性,发现其无法可靠迁移,提出需开发适配编码器几何结构的感知编码器的蛋白质CIL方法。
2026-10-20 cs.AI cs.LG q-bio.QM
xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein
BioMap Research(博研生物研究院);Tsinghua University(清华大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对现有蛋白质语言模型无法同时兼顾理解与生成任务的问题,提出统一预训练框架xTrimoPGLM,以1000亿参数规模训练,在多项基准上性能领先,还支持蛋白质从头与可编程生成,推动蛋白质基础模型发展。
2024-12-09 cs.AI cs.LG q-bio.QM
Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning
Westlake University(西湖大学);University of Notre Dame(圣母大学)
针对标注突变数据稀缺及现有预训练方法的多重挑战,提出微环境感知的分层提示学习框架,通过分层提示码本与掩码微环境建模任务,实现更高效准确的蛋白质互作突变效应预测。
2024-05-16 cs.AI cs.LG q-bio.QM
Assessing the potential of deep learning for protein-ligand docking
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Missouri(密苏里大学)
本文提出PoseBench基准,用于评估深度学习在蛋白质-配体对接及结构预测中的性能,发现DL方法在多配体对接和未知结合口袋场景中存在挑战。
2026-03-20 cs.AI cs.LG q-bio.BM
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
Greater than the Sum of Its Parts: Building Substructure into Protein Encoding Models
MIT(麻省理工学院);Harvard University(哈佛大学)
Magneton通过引入亚结构意识的蛋白质模型,提升功能预测和表示一致性,提供开放环境和数据集。
2026-03-02 q-bio.QM
Onto2Vec: joint vector-based representation of biological entities and their ontology-based annotations
Computational Bioscience Research Center, King Abdullah University of Science and Technology(阿卜杜拉国王科技大学计算生物科学研究中心)
我们提出了Onto2Vec方法,一种基于生物实体对生物医学本体的注释来学习生物实体的特征向量的方法。我们的方法可以应用于广泛的生物信息学研究问题,如基于相似性的预测蛋白质之间的相互作用,使用监督学习或聚类的相互作用类型的分类。
2018-01-31 cs.AI q-bio.QM
Integrating protein sequence embeddings with structure via graph-based deep learning for single-residue property prediction
Imperial College London(帝国理工学院)
本文提出INFUSSE框架,结合大语言模型序列嵌入微调与扩散图卷积网络结构表示,用于单残基性质预测,并在抗体B因子预测中验证其优于仅基于序列或结构的方法。
2025-11-06 q-bio.QM
Graph identification of proteins in tomograms (GRIP-Tomo)
在这项研究中,我们提出了一种基于网络理论的模式挖掘方法,该方法能够从合成体积密度中识别蛋白质结构或复合物,而无需预先定义的模板或人类偏好的知识。我们假设蛋白质结构的拓扑连接性是不变的,并且它们对于从体积密度中呈现的扭曲数据中识别蛋白质的目的是独特的。从模拟层析体积的蛋白质或复合物的三维密度被转换成数学图形作为观测量。我们系统地引入了数据失真或缺陷,如缺失的丰满数据,翻滚效应和缺失的楔形效应到模拟体积中,并改变像素的距离截止值,以捕获存在缺陷的密度聚类质心之间的变化的连接性。通过比较它们的网络理论序参数(包括节点度、介数中心性和图密度)计算来自模拟体积的图和从点数据中的物理蛋白质结构转换的图之间的相似性得分。通过捕获定义网络的异质形态的基本拓扑特征,我们能够准确地识别蛋白质和同源多聚体复合物,从10个拓扑结构独特的样品,而没有添加现实的噪音。我们的方法通过提供具有可解释性的模式挖掘来增强断层图像处理的未来发展,从而能够对单结构域蛋白质的天然拓扑结构以及来自嘈杂体积内的多聚体复合物的不同单结构域蛋白质进行分类。
2022-10-15 q-bio.QM
Systematic model reduction captures the dynamics of extrinsic noise in biochemical subnetworks
我们考虑的一般问题描述的动态子网络的较大的生化反应网络,例如蛋白质相互作用网络涉及复杂的形成和解离反应。我们建议使用模型简化策略来理解网络其余部分所产生的随机性的“外在”来源。我们的方法是基于投影方法和路径积分导出的子网络动力学方程。结果提供了一个原则性的推导的不同组成部分的外在噪声,实验观察到在细胞的生化反应,超过和以上的内在噪声的随机性的生化事件在子网中。我们探索了几个中间近似系统地评估不同的外在噪声分量的相对重要性,包括初始瞬态,长时间的高原,时间相关性,乘性噪声项和非线性噪声传播。最好的近似实现一个简单的蛋白质网络和表皮生长因子受体信号网络的定量测试中的出色的准确性。
2020-07-01 q-bio.MN q-bio.QM
Graph Denoising Diffusion for Inverse Protein Folding
University of New South Wales(新南威尔士大学);Shanghai Jiao Tong University(上海交通大学);Johns Hopkins University(约翰霍普金斯大学);University of Cambridge(剑桥大学)
针对蛋白质逆折叠的一对多映射难题,提出一种图去噪扩散模型,利用氨基酸替换矩阵编码生物先验知识,在序列恢复上达到最优性能,可生成多样化的蛋白质序列。
2023-11-07 cs.AI q-bio.QM
Metamorphic Testing for Quality Assurance of Protein Function Prediction Tools
蛋白质是生命的主力,了解它们的功能对于药物设计等应用至关重要。然而,蛋白质功能的实验验证是高度消耗资源的。因此,最近,使用机器学习的自动蛋白质功能预测(AFP)获得了极大的兴趣。这些AFP工具中的许多都是基于使用现有的黄金标准功能注释训练的监督学习模型,这些注释已知是不完整的。与对AFP软件进行系统测试相关的主要挑战是缺乏测试预言机,该测试预言机确定测试用例的通过或失败;不幸的是,由于黄金标准数据的不完整性,AFP任务的确切预期结果没有很好地定义。因此,AFP工具面向\emph{oracle problem}。在这项工作中,我们使用变形测试(MT)来测试九个国家的最先进的AFP工具,通过定义一组变形关系(MR),将输入转换到蛋白质序列。根据我们的研究结果,我们观察到,几个AFP工具失败的所有测试用例引起关注的质量,他们的预测。
2019-04-16 cs.SE q-bio.QM
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
Cell cycle and protein complex dynamics in discovering signaling pathways
信号通路负责细胞过程的调节,例如监测外部环境、跨膜传递信息以及做出细胞命运决定。鉴于越来越多的生物学数据和最近的发现表明许多疾病都与细胞信号转导级联的破坏有关,在过去几年中,细胞生物学中信号通路的计算机发现已经成为一个活跃的研究课题。然而,信号通路的重建仍然是一个挑战,主要是因为需要系统的方法来预测因果关系,如边缘方向和信号流中相互作用的蛋白质之间的激活/抑制。我们提出了一种预测信号通路的方法,该方法整合了蛋白质相互作用、基因表达、表型和蛋白质复合物信息。我们的方法首先发现候选途径使用有向边缘为基础的算法,然后定义一个图形模型,包括蛋白质之间的因果激活关系,在候选途径使用细胞周期基因表达和表型,以推断一致的途径在酵母。然后,我们将蛋白质复合物的覆盖信息,以决定最终预测的信号通路。我们表明,我们的方法提高了预测结果的最先进的使用不同的排名指标。
2020-04-06 cs.CE q-bio.MN q-bio.QM