Wolumes - An algorithm to compute the volume of atoms and residues in proteins
Wolumes是一个用标准C语言编写的快速独立的计算机程序，可以测量蛋白质中的原子体积。它的算法是一个简单的离散化的空间，通过一个网格的点在0.75埃，从对方，它使用了一组范德华半径优化蛋白质原子。通过将计算值与来自蛋白质数据库的非冗余子集的分布进行比较，新方法允许识别异常大/小的原子和残基。源代码是免费提供的，还有一些例子。
2014-06-12 q-bio.BM
ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling
Department of Computer Science, Tsinghua University（清华大学计算机系）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；PharMolix Inc（PharMolix公司）
本文提出多尺度蛋白质语言模型 ESM-AA，通过语码转换序列预训练和多尺度位置编码统一原子与残基建模，在蛋白质-分子任务上优于既有方法。
2024-06-13 cs.CE cs.LG q-bio.BM
All-atom ab initio folding of a diverse set of proteins
天然蛋白质折叠成一种独特的、以蛋白质为主导的状态。蛋白质折叠过程的模拟和天然折叠的预测是生物物理学中两个尚未解决的问题。在这里，我们展示了成功的全原子从头折叠的一组代表性的不同的蛋白质，使用最低限度的可转移能量模型，包括两体原子-原子相互作用，氢键，和一个本地序列的能量项，模型序列特异性链刚度。从随机卷曲开始，在大多数蛋白质的复制品交换蒙特卡罗（REMC）模拟过程中观察到类似天然的结构，无论其结构类别如何;最低能量结构接近天然-在2-6 A范围内均方根偏差（RMSD）。我们的研究结果表明，成功的全原子折叠的蛋白质链到其天然状态是由只有几个关键的能量项。
2006-11-27 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
Geometric Graph Learning with Extended Atom-Types Features for Protein-Ligand Binding Affinity Prediction
University of Kentucky（肯塔基大学）
理解和准确预测蛋白质-配体结合亲和力在药物设计和发现过程中是必不可少的。目前，基于机器学习的方法由于其效率和准确性以及蛋白质-配体复合物的结构和结合亲和力数据的日益增加的可用性而作为预测结合亲和力的手段越来越流行。在生物分子研究中，图论已经被广泛应用，因为图可以被用来以自然的方式对分子或分子复合物进行建模。在目前的工作中，我们升级的基于图的学习者的蛋白质与配体相互作用的研究，通过集成广泛的原子类型，如SYBYL和扩展连接交互功能（ECIF）到多尺度加权着色图（MWCG）。通过与梯度提升决策树（GBDT）机器学习算法配对，我们的方法产生两种不同的方法，即$^\text{sybyl}\text{GGL}$ -Score和$^\text{ecif}\text{GGL}$ -Score。我们的两个模型都使用药物设计领域常用的三个基准数据集（即CASF-2007，CASF-2013和CASF-2016）对其评分能力进行了广泛验证。我们的最佳模型$^\text{sybyl}\text{GGL}$ -评分的性能与其他国家的最先进的模型进行比较，在结合亲和力预测为每个基准。虽然我们的两个模型都达到了最先进的结果，但SYBYL原子类型模型$^\text{sybyl}\text{GGL}$ -Score在所有基准测试中都远远优于其他方法。
2023-01-15 cs.LG q-bio.BM
Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction
Proteinea Inc（Proteinea公司）
针对多链蛋白质-蛋白质相互作用预测，本文提出精炼数据集和四种PLM适配架构，证明层次池化与池化注意力加法优于简单拼接，Spearman相关性提升达12%。
2025-05-26 cs.LG q-bio.BM
DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding
Zhejiang University（浙江大学）；Texas A&M University（德克萨斯农工大学）；Jingdong（京东）
针对现有自回归分子生成方法违背物理规则、生成分子性质差的问题，提出非自回归的DiffBP扩散模型，以靶蛋白为约束、用等变网络同时去噪全原子的类型与坐标，在亲和力、分子尺寸和类药性上性能具竞争力。
2024-07-14 cs.LG q-bio.BM
AMARO: All Heavy-Atom Transferable Neural Network Potentials of Protein Thermodynamics
AMARO是一种结合TensorNet架构与排除氢原子的粗粒化映射的新型神经网络势，无需先验能量项即可实现稳定、可扩展且具泛化能力的蛋白质动力学模拟，克服了全原子模拟的计算瓶颈。
2024-11-11 cs.LG physics.bio-ph physics.comp-ph
TorchProteinLibrary: A computationally efficient, differentiable representation of protein structure
Concordia University（康考迪亚大学）；Rutgers University – Camden（罗格斯大学卡姆登分校）
从蛋白质序列预测其结构是分子生物学的一项基础任务。该领域的既定方法，如同源建模和片段组装，似乎已经达到了极限。然而，今年出现了有前途的新方法：端到端蛋白质结构和动力学模型，以及应用于蛋白质折叠的强化学习。对于这些方法进行调查，在更大的规模上，其关键的计算原语的有效实施是必需的。在本文中，我们提出了一个图书馆的可微映射从两个标准的二面角表示的蛋白质结构（全原子表示“$ϕ,ψ,ω,χ$“和骨干只有表示“$ϕ,ψ,ω$“）原子笛卡尔坐标。源代码和文档可以在https://github.com/lupoglaz/TorchProteinLibrary上找到。
2018-11-23 cs.LG q-bio.BM
FoldToken: Learning Protein Language via Vector Quantization and Beyond
Westlake University（西湖大学）
本文提出FoldToken，通过软条件向量量化将蛋白质序列与结构统一表示为离散符号，形成新蛋白质语言，并构建首个GPT风格模型FoldGPT，在骨架修复和抗体设计任务中取得良好效果。
2024-03-19 cs.AI cs.LG q-bio.BM
Integrating Protein Dynamics into Structure-Based Drug Design via Full-Atom Stochastic Flows
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）；Beijing StoneWise Technology Co Ltd（北京思睿科技有限公司）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
针对传统SBDD忽略蛋白质动态特性的局限，提出全原子流模型DynamicFlow，学习将apo口袋和噪声配体转换为holo口袋及3D配体分子，为药物发现提供更优的类holo状态输入。
2025-03-06 cs.LG q-bio.BM
Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure
UC Irvine（加州大学欧文分校）；San Jose State University（圣何塞州立大学）
粗粒化是扩展蛋白质和其他生物大分子动力学模型范围的有力工具。拓扑粗粒化，其中生物分子或其集合通过图形结构表示，是获得分子结构的高度压缩表示的特别有用的方式，并且通过这种表示操作的模拟可以实现大量的计算节省。然而，粗粒度化的一个缺点是原子细节的丢失--这种影响对于蛋白质结构网络（PSN）等拓扑表示尤其严重。在这里，我们介绍了一种基于组合的机器学习和物理指导的细化从PSN推断原子坐标的方法。这种“神经升级”过程利用了PSN对可能配置的约束，以及用相同PSN观察不同配置的可能性的差异。使用1 $μ$的原子分子动力学轨迹的A $β_{1-40}$，我们表明，神经放大能够有效地概括详细的结构信息的内在无序蛋白，特别是成功地恢复功能，如瞬时二级结构。这些结果表明，蛋白质结构和动力学的可扩展的基于网络的模型可用于原子细节是理想的设置，与upscaling采用从PSN估算原子坐标。
2021-08-25 cs.LG physics.data-an 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
Coarse-grained protein-protein stiffnesses and dynamics from all-atom simulations
大的蛋白质组装体，如病毒衣壳，可能是粗粒度的，作为一组刚性结构域连接的广义（旋转和拉伸）谐波弹簧。我们提出了一种方法来获得弹性参数和过阻尼动力学的弹簧从全原子分子动力学模拟的一对域的时间。这对计算的弛豫时间给出了模拟的一致性检查，并且（使用波动耗散关系）我们找到了消除系统漂移所需的校正力。作为第一个应用程序，我们预测HIV衣壳层的刚度和其呼吸模式的弛豫时间。
2009-06-24 q-bio.BM q-bio.QM
Combining Coarse-Grained Protein Models with Replica-Exchange All-Atom Molecular Dynamics
我们描述了一个组合的所有原子模拟与CABS，一个成熟的粗粒度蛋白质建模工具，到一个单一的多尺度协议。模拟方法已在蛋白G的C-末端β发夹上进行了测试，蛋白G是蛋白质折叠的模型系统。在重建原子细节后，对CABS模拟得到的构象进行了复制交换分子动力学模拟，并在显式溶剂中使用OPLS-AA和AMBER99sb力场。这样的组合加速系统收敛几次相比，从扩展链构象的全原子模拟，表现出的熔解曲线的分析，作为时间和二级结构传播的函数的天然样构象的数量。结果表明，建议的多尺度方法可能是一个有效的和准确的工具，高分辨率的蛋白质折叠动力学研究在较大的系统。
2013-08-11 physics.bio-ph q-bio.BM
Variational Scheme to Compute Protein Reaction Pathways using Atomistic Force Fields with Explicit Solvent
我们引入了一个变分近似的微观动力学罕见的构象转变的大分子。在这个框架内，它是可能的模拟在一个小型计算机集群反应复杂的蛋白质折叠，使用最先进的全原子力场在明确的溶剂。我们测试这种方法对分子动力学（MD）模拟的折叠的α-和β-蛋白质进行相同的全原子力场上的安东超级计算机。我们发现，我们的方法产生的结果与MD模拟一致，在一个数量级较小的计算成本。
2015-02-18 cond-mat.soft q-bio.BM
An effective all-atom potential for proteins
我们描述和测试的隐式溶剂全原子势的蛋白质折叠和聚集的模拟。通过对17种具有不同二级结构的多肽的结构和热力学性质的研究，开发了这种潜力。使用最终形式的潜力所获得的结果，所有这些肽。同样的模型，具有不变的参数，还适用于异源二聚体卷曲螺旋系统，混合的α/β蛋白质和三螺旋束蛋白质，具有非常好的结果。计算效率的潜力，使人们有可能调查的自由能景观，这些49- 67-残基系统具有很高的统计精度，仅使用适度的计算资源，今天的标准。
2009-04-08 cond-mat.soft q-bio.BM
DiAMoNDBack: Diffusion-denoising Autoregressive Model for Non-Deterministic Backmapping of Cα Protein Traces
Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院）
本研究提出自回归去噪扩散模型DiAMoNDBack，可从仅含Cα坐标的粗粒度蛋白质表征逐残基恢复全原子细节，在多基准测试中取得最优重建性能，且已开源。
2023-07-23 cs.LG q-bio.BM stat.ML
The Marginal Stability of Proteins: How Jiggling and Wiggling of Atoms are Connected to Neutral Evolution
在这里，我们提出，蛋白质的上限边缘稳定性（7.4千卡/摩尔）是一个普遍的属性，包括大分子复合物，不受分子变化，如突变和翻译后修饰。它的存在本质上是安芬森热力学假说的结果，而不是进化过程的结果。这一结果使我们能够推测，中性进化也应该是一种普遍现象，就蛋白质的稳定性而言。
2020-03-19 q-bio.BM q-bio.PE
Visualization of Protein 3D Structures in Reduced Representation with Simultaneous Display of Intra- and Inter-Molecular Interactions
蛋白质结构表示是结构生物学研究的重要工具。存在不同的方法来表示蛋白质的3D结构，不同的生物学家根据他们所需要的信息喜欢不同的方法。目前还没有一种蛋白质三维结构的表达方法，既能从蛋白质序列中捕捉到足够的化学信息，又能同时清楚地显示分子内、分子间氢键和VDW相互作用。该项目旨在简化蛋白质的3D结构，并显示简化的表示以及分子间和分子内的氢键和范德华相互作用。简化的蛋白质表示具有显著较低的原子性（即，原子坐标的数目）比在全原子表示中的一个原子坐标的数目大。在这项工作中，我们将蛋白质结构从全原子表示（AAR）转换为双质心简化表示（DCRR），其中包含氨基酸主链（N，CA，C '，O）和侧链（CB及以上）的质心坐标而不是原子坐标。本项目的另一个目的是为简化表示开发一个可视化界面。该界面在MATLAB中实现，并在DCRR中显示蛋白质及其分子间和分子内相互作用。从视觉上看，DCRR比AAR更容易理解。我们还开发了一个Web服务器，称为蛋白质DCRR Web服务器，用户可以输入PDB ID或上传模型蛋白质并获得该蛋白质的DCRR。Web服务器的后端是一个数据库，该数据库具有PDB中所有X射线晶体结构的简化表示。
2015-12-15 q-bio.BM
In-silico folding of a three helix protein and characterization of its free-energy landscape in an all-atom forcefield
我们报告的可重复的第一性原则折叠的40个氨基酸，三个螺旋头部分的艾滋病毒辅助蛋白在最近开发的全原子自由能力场。使用适应盆跳跃方法的二十个模拟中的六个收敛到优于3 μ m的骨干RMS偏差到实验结构。使用这种蛋白质的60，000多种低能构象，我们构建了一个诱饵树，完全表征了它的折叠漏斗。
2003-10-29 physics.bio-ph physics.comp-ph q-bio.BM
Hierarchy of events in protein folding: beyond the Go model
简化的Go模型，其中只有天然接触有利地相互作用，已被证明有助于表征小蛋白质折叠的某些方面。这些模型的成功受到所有残基以相同方式相互作用的事实的限制，因此蛋白质的折叠特征仅由其天然构象的几何形状决定。我们提出了一个基于C-α的Go模型的扩展版本，其中不同的残基与不同的能量相互作用。该模型用于计算三种小蛋白（蛋白G、SrcSH 3和CI 2）的热力学以及突变对野生型序列的影响。该模型允许研究蛋白质折叠中一些最有争议的领域，例如其最早阶段，这是最近受到特别关注的主题。出现的三种蛋白质研究的图片是一个层次的过程，其中本地基本结构（LES）（不一定符合二级结构的元素）形成在折叠的早期阶段，并驱动蛋白质，通过过渡态和临界后折叠核（FN），从LES的对接，天然构象。
2006-01-26 q-bio.BM
All-atom inverse protein folding through discrete flow matching
MRC Laboratory of Molecular Biology（英国分子生物学实验室）
本文提出基于离散流匹配的全原子逆向蛋白质折叠模型 ADFLIP，通过逐步引入侧链上下文和集成采样，解决了含非蛋白质组分及多结构状态复合物的序列设计难题，并在单结构和多结构任务中达到最先进性能。
2025-07-04 cs.AI 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
Comparing proteins by their internal dynamics: exploring structure-function relationships beyond static structural alignments
越来越多的兴趣比较蛋白质的内部动力学很大程度上归功于认识到，蛋白质的功能可以伴随或协助结构波动和构象变化。类似于功能结构元件的情况，蛋白质的灵活性和动力学的那些方面是功能导向的，应该受到进化保守。因此，基于动力学的蛋白质比较或比对可用于检测序列和结构比对更难以实现的蛋白质关系。在这里，我们提供了一个帐户，近年来已取得的进展，对开发和应用一般方法比较蛋白质的内部动力学和推进理解的结构-功能关系。
2012-12-17 cond-mat.soft q-bio.BM
Can all-atom protein dynamics be reconstructed from the knowledge of C-alpha time evolution?
我们询问在何种程度上蛋白质肽平面和侧链动力学可以从C-α动力学的知识重建。由于缺乏实验数据，我们分析了Anton超级计算机上所有的原子分子动力学轨迹，为了清楚起见，我们将注意力限制在肽平面O原子和侧链C-β原子上。我们尝试用四种不同的方法来重建它们的动态。其中三个是公开可用的重建计划Pulchra，Remo Scwrl 4。第四个是统计方法，完全基于蛋白质数据库（PDB）结构的统计分析。所有四种方法都将O和C-β原子精确地放置在安东轨道上。然而，统计方法表现最好。结果表明，在生理条件下，所有的原子动力学是奴隶的C-α原子。这些结果可以帮助改善所有原子力场，并推进简化蛋白质结构的重建和细化方法。这些结果为在简化坐标系下发展有效的粗粒力场提供了动力。
2019-01-21 cond-mat.soft physics.bio-ph q-bio.BM
Full-Atom Protein Pocket Design via Iterative Refinement
针对蛋白质口袋设计效率低且无法生成侧链原子的问题，提出全原子迭代细化方法FAIR，通过由粗到细的两步全量细化共同设计口袋序列与3D结构，在AAR和RMSD指标上实现超过10%的平均改进。
2023-10-20 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
Generating 3D Molecules for Target Protein Binding
Texas A&M University（德州农工大学）；Fujitsu Research of America, INC.（富士通美国研究公司）；Fujitsu Limited（富士通有限公司）
药物发现的一个基本问题是设计与特定蛋白质结合的分子。为了使用机器学习方法来解决这个问题，在这里，我们提出了一种新颖而有效的框架，称为GraphBP，通过将特定类型和位置的原子逐个放置到给定的结合位点来生成与给定蛋白质结合的3D分子。特别是，在每一步中，我们首先采用3D图形神经网络从中间上下文信息中获得几何感知和化学信息表示。这样的上下文包括给定的结合位点和在先前步骤中放置的原子。其次，为了保持理想的等方差性质，我们选择一个局部参考原子根据设计的辅助分类器，然后构建一个局部球坐标系。最后，为了放置新的原子，我们生成它的原子类型和相对位置w.r.t.所构建的局部坐标系。我们还考虑按顺序生成感兴趣的变量，以捕获它们之间的潜在依赖关系。实验表明，我们的GraphBP是有效的，以产生具有结合能力的目标蛋白质结合位点的三维分子。我们的实现可以在https://github.com/divelab/GraphBP上获得。
2022-05-30 cs.AI cs.LG 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
Atom-level Protein Representation Learning Improves Protein Structure Prediction
KAIST（韩国科学技术院）
提出结构感知预训练方法TriProRep，通过VQ-VAE联合建模三种对齐的残基级视图，在结构预测任务中优于仅序列和先前结构感知表示模型。
2026-05-26 cs.AI q-bio.BM
AtomSurf : Surface Representation for Learning on Protein Structures
LIX Ecole Polytechnique（LIX 巴黎高等理工学院）；Mines Paris PSL Research University（巴黎 Mines 工程大学）；Institut Curie PSL Research University（Curie 研究所 巴黎高等理工大学）；INSERM U900（国家医学研究院 U900）；Institute of Bioengineering École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院生物工程研究所）
针对蛋白质学习中表面表示方法研究不足、缺乏公平基准对比的问题，研究适配前沿表面编码器，提出图与表面表示跨层特征共享的AtomSurf集成方法，在Atom3D基准及相关任务上取得最优结果且效率具竞争力。
2025-10-22 cs.LG q-bio.BM
Proteins at air-water and oil-water interfaces in an all-atom model
采用全原子分子动力学方法研究了五种蛋白质在空气-水和油-水界面上的行为。发现蛋白质在固定到界面时会变形。这种行为是一致的现象学的方式引入的接口在一个粗粒度的模型，通过一个力，取决于残留物的亲水性指数。蛋白质与油-水界面的偶联强度大于与空气-水界面的偶联强度。它们在油-水界面处扩散较慢，但不从其脱钉，而在另一界面处观察到脱钉事件。二硫键的还原减慢了扩散。
2018-01-08 cond-mat.soft physics.bio-ph q-bio.BM
Protein Conformational States: A First Principles Bayesian Method
National Center for Computational Sciences（国家计算科学中心）；Oak Ridge National Laboratory（橡树岭国家实验室）
从结构的集合模拟中自动识别蛋白质构象状态是一个困难的问题，因为它需要教计算机识别形状。我们采用了来自机器学习社区的朴素贝叶斯分类器，用于原子对原子的成对接触。其结果是一个无监督的学习算法，采样的“分布”超过潜在的分类方案。我们将分类器应用于一系列测试结构和一个真实蛋白质，表明它在大多数情况下以> 95%的准确率识别构象转变。我们适应的一个重要特征是与信息熵的新联系，它允许我们改变结构细节的水平，而不会破坏分类。当原子数和时间样本的数量变化超过1.5个数量级时，通过比较结果证实了这一点。此外，该方法的推导从贝叶斯分析的一组原子间的接触，使其易于理解和扩展到更复杂的情况下。
2020-09-08 cs.LG physics.comp-ph q-bio.BM
PHASE: encoding global protein ensembles with local Hamiltonians and all-atom backmapping
本文提出PHASE框架，将蛋白质构象集合转换为显式统计模型，可重现残基统计、定义激活景观坐标，完成粗粒度-采样-逆映射循环，支持QUBO编码，用于构建蛋白质构象集合的紧凑可解释统计模型。
2026-08-25 q-bio.BM
De novo protein design using geometric vector field networks
Zhejiang University（浙江大学）；The University of Adelaide（阿德莱德大学）；Swansea University（斯旺西大学）
本文提出向量场网络（VFN），通过在虚拟原子坐标间进行可学习的向量计算来建模蛋白质主链框架，在蛋白质扩散和逆折叠任务中均显著提升了设计性、多样性与序列恢复率，超越现有SoTA模型。
2023-10-18 cs.CE cs.LG q-bio.BM
Protein simulations combining an all-atom force field with a Go term
使用一个变种的平行回火，我们研究的变化时，所有原子模型耦合到一个类似围棋的潜力模拟内的采样。我们发现，在全原子力场中，自然结构不是最低能量的组态。添加一个Go项会使能量格局发生变形，从而使原生配置成为全局最小值。
2009-08-04 q-bio.BM q-bio.QM
Virtual reality based approach to protein heavy-atom structure reconstruction
在结构蛋白质研究中经常出现的问题是根据中心α-碳坐标的知识确定所有重原子的位置。我们利用虚拟现实的进步来解决这个问题。其结果是一种基于3D可视化的技术，其中所有重主链和侧链原子在C-alpha坐标方面都被平等对待。每个重原子都可以在不同的双球表面上可视化，这些双球以其他重主链和侧链原子为中心。特别是，旋转异构体是可见的簇，其显示出对基础骨架二级结构的强烈依赖性。我们的方法很容易检测到晶体蛋白质结构中那些可能错位的原子。我们的方法为开发新一代基于可视化的侧链构建、验证和细化工具奠定了基础。重原子的位置被确定的方式，占二级结构的环境，从而提高了现有方法的准确性。
2014-12-26 cond-mat.soft physics.bio-ph q-bio.BM
One-Dimensional Structural Properties of Proteins in the Coarse-Grained CABS Model
尽管计算能力显著提高，但使用经典的全原子方法对蛋白质结构进行分子建模仍然效率低下，至少对于生物医学研究关注的大多数蛋白质靶点来说是如此。也许克服效率低下问题的最成功的策略是多尺度建模，以合并所有原子和粗粒度的模型。本章描述了一个成熟的CABS粗粒度蛋白质模型。CABS（C-Alpha，C-Beta and Side chains）模型假设氨基酸的2-4个联合原子表示、基于知识的力场（来自已知蛋白质序列和结构中的统计学数据）和有效的Monte Carlo采样方案（MC动力学、MC复制交换和组合）。特别强调的是CABS力场的独特设计，这在很大程度上是使用蛋白质的一维结构特性，包括蛋白质二级结构定义的。本章还介绍了基于CABS的建模方法，包括从头结构预测的多尺度工具，蛋白质动力学建模和蛋白质-肽复合物的预测。基于CABS的工具可在http://biocomp.chem.uw.edu.pl/tools上免费获得
2016-10-29 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
High resolution protein folding with a transferable potential
一个广义的计算方法折叠蛋白质与一个完全可转移的潜力和几何现实的全原子模型，并测试了七个不同的螺旋束蛋白质。该协议，其中包括图形理论分析的合奏所产生的折叠构象，系统地应用和一致产生的结构预测约3 Angiotensin没有任何知识的原生状态。为了测量和理解结果的意义，进行了大量的控制模拟。图论分析提供了一种系统地识别天然折叠的方法，并提供了物理见解，在概念上将结果与蛋白质折叠的现代理论观点联系起来。除了提出一种预测结构和折叠机制的方法外，我们的模型还表明，精确的全原子氨基酸表示加上物理上合理的原子相互作用势（不需要优化测试集）和氢键是现实蛋白质模型的基本特征。
2005-09-07 q-bio.BM
Empirical Potential Function for Simplified Protein Models: Combining Contact and Local Sequence-Structure Descriptors
有效的势函数是蛋白质结构预测和折叠模拟的关键。简化的蛋白质模型，如那些只需要$C_α$或骨干原子是有吸引力的，因为它们使构象空间的有效搜索。我们表明，残基特定的减少离散状态模型可以代表小RMSD值的蛋白质的骨架构象。然而，不存在为这种简化的蛋白质模型设计的潜在函数。在这项研究中，我们开发了最佳的潜在功能相结合的接触相互作用描述符和本地序列结构描述符。势函数的形式是所有描述子的加权线性和，最佳权系数是通过使用本机和诱饵结构优化获得的。用几个基准诱饵集对势函数在区分天然蛋白质结构和诱饵中的性能进行了评价。我们的势函数只需要骨架原子或$C_α$原子具有可比或更好的性能比几个残基为基础的势函数，需要额外的侧链中心的坐标或坐标的所有侧链原子。通过将局部结构-序列关系的剩余字母表的大小减小到5，可以进一步提高势函数的性能。我们的研究结果还表明，局部序列-结构相关性可能在降低蛋白质折叠的熵代价方面发挥重要作用。
2006-01-20 q-bio.BM
The Dance of Atoms-De Novo Protein Design with Diffusion Model
Academy of Military Medical Sciences（军事医学科学院）；Beihang University（北京航空航天大学）；Northeastern University（东北大学）
本综述系统考察扩散模型在从头蛋白质设计中的应用，分析RFDiffusion等模型在骨架和序列生成中的优势与局限，总结成功案例并展望未来方向。
2025-04-23 cs.AI q-bio.BM
Atom-specific persistent homology and its application to protein flexibility analysis
最近，持续同源性在生物分子数据分析中取得了巨大的成功。它的工作原理是在各种尺度下检查分子中一组原子的拓扑关系或连通性，然后绘制分子的拓扑表示族。然而，持久同源性很少{雇用}的原子性质的分析，如生物分子的灵活性分析或B因子预测。这项工作引入了原子特异性的持久同源性，通过全局拓扑工具提供分子的局部原子水平表示。这是通过构造一对共轭原子集和相应的共轭单纯复形以及共轭拓扑空间来实现的。共轭集对的拓扑不变量之间的差异是衡量瓶颈和Wasserstein度量，并导致在分子中的单个原子性质的原子特定的拓扑表示。原子特定的拓扑特征与各种机器学习算法集成，包括梯度提升树和卷积神经网络，用于蛋白质热波动分析和B因子预测。大量的数值结果表明，所提出的方法提供了一个强大的拓扑工具，分析和预测局域信息。
2019-03-26 q-bio.BM q-bio.QM
An Automatable Analytical Algorithm for Structure-Based Protein Functional Annotation via Detection of Specific Ligand 3D Binding Sites: Application to ATP (ser/thr Protein Kinases) and GTP (Small Ras-type G-Proteins) Binding Sites
我们已经开发了一种分析，配体特异性和可扩展的算法，检测一个给定的配体的3D结合位点的蛋白质3D结构的“签名”。所述标记是不规则四面体形式的3D基序，其顶点代表与结合的配体原子物理相互作用的结合位点处的氨基酸残基的主链或侧链质心。基序由一组解析的训练结构确定，所有这些结构都与配体结合。正如线性氨基酸序列的比对能够确定蛋白质中的共有序列一样，本方法允许确定折叠蛋白质中的三维共有结构或“基序”。尽管这是通过本发明的方法而不是通过3D蛋白质结构或其部分（例如，来自不同结构的配体原子的排列），但是通过蛋白质结合形式的配体原子的最近邻分析，实现了相同的效果，从而实现了相同的目标。我们已经应用我们的方法来预测GTP和ATP结合蛋白家族，即小Ras型G蛋白和Ser/Thr蛋白激酶家族。验证试验表明，我们的方法的特异性是近100%的两个蛋白质家族，和大于60%的敏感性为ser/thr蛋白激酶家族和约。93%为小的Ras型G蛋白家族。进一步的测试表明，我们的算法可以有效地区分GTP和GTP样配体，ATP和ATP样配体。将该方法应用于一组来自黏菌（D. dictyosteoprotein）蛋白质组的研究，结果令人鼓舞。
2015-01-19 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
Molecular jamming - the cystine slipknot mechanical clamp in all-atom simulations
最近对17134种蛋白质的调查已经确定了一类新的蛋白质，它们有望在1 nN的范围内产生拉伸诱导力峰。这种高的力峰值应该是由于迫使滑环通过胱氨酸环，即通过产生胱氨酸活结。调查已在一个简单的粗粒度模型。在这里，我们进行全原子转向分子动力学模拟15胱氨酸结蛋白，并确定其抗拉伸。在协议与以前的研究中的粗粒度结构为基础的模型，阻力的水平被发现是显着高于蛋白质中的机械钳通过剪切操作。大的拉伸力通过胱氨酸活结机械夹的形成和由此产生的空间堵塞而产生。我们阐明了这样一个钳原子的细节工作。我们还研究了五个顶级强度蛋白质的行为与剪切为基础的机械稳定性，其中没有干扰。我们表明，在原子模型中，干扰状态是通过移动一个氨基酸在一个时间和有一个选择，在选择的氨基酸，先进的第一个缓解。相比之下，粗粒度模型还允许两个氨基酸同时通过。
2011-02-16 q-bio.BM
Mechanical Unfolding of a Simple Model Protein Goes Beyond the Reach of One-Dimensional Descriptions
我们研究了一个简单的模型蛋白质的机械展开。Langevin动力学的结果进行了分析，使用马尔可夫模型的方法，可以完全描述系统的配置空间。使用过渡路径理论，我们还提供了一个定量描述的系统所遵循的展开途径。我们的研究显示了一个复杂的动态场景。特别是，我们看到通常的一维图像：自由能与端到端距离表示，给出了对过程的误导性描述。解折叠可以发生在不同的路径和配置，似乎在一维图像中发挥核心作用，而不是解折叠动力学的中间状态。
2015-06-05 physics.bio-ph q-bio.BM
All-atom Molecular Dynamics Simulations of the Projection Domain of the Intrinsically Disordered htau40 Protein
我们已经进行了所有的原子分子动力学模拟的投影结构域的内在无序htau 40蛋白。在高温下生成合适的起始构象的集合后，在室温下，在自适应盒算法中，我们生成了回转半径、二级结构时间序列的直方图，生成了模型小角度X射线散射强度，并生成了模型化学位移图，用于与溶剂化和丝状tau蛋白的核磁共振数据进行比较。值得注意的是，我们发现化学位移谱与丝状tau比基于全长溶液的tau更一致。我们还进行了主成分分析，并找到三个基本组：紧凑的小球，蝌蚪，和扩展的铰链结构。为了验证自适应盒和我们的力场选择，我们在具有不同力场的大型常规盒中进行了有限的模拟，发现我们的基本结果没有改变。我们还进行了两个模拟与TIP 4P-D水模型，其效果取决于初始配置是紧凑的或扩展。
2016-10-30 q-bio.BM
SiteFerret: beyond simple pocket identification in proteins
我们提出了一种新的方法自动检测蛋白质分子表面的口袋。该算法是基于一个ad hoc层次聚类的虚拟SES探头球体从NanoShaper软件生成的几何图元。推定口袋的最终排名基于隔离森林方法，这是一种最初为异常检测而开发的无监督学习方法。详细的口袋功能的重要性分析提供了洞察几何（聚类）和化学（残基）特性表征一个良好的结合位点。该方法还提供了将袋分割成更小的子袋。我们证明，子口袋是一个可靠的表示，查明结合位点具有更高的精度。Site Ferret的多功能性非常突出，可以准确预测各种各样的结合位点，从小分子到肽和困难的浅位点。
2022-12-22 physics.bio-ph q-bio.BM
Predicting protein stability changes under multiple amino acid substitutions using equivariant graph neural networks
InstaDeep Ltd（InstaDeep有限公司）
本文提出利用E(3)-等变图神经网络解耦原子与残基尺度表示，结合Mega-scale大规模数据集训练，首次实现结构表示下可变数量氨基酸替换的蛋白质稳定性变化预测。
2023-05-30 cs.AI cs.LG q-bio.BM
BioBlender: Fast and Efficient All Atom Morphing of Proteins Using Blender Game Engine
在这篇文章和相关的文章“BioBlender：一个软件直观地表示生物分子的表面特性”，（安德烈等人），我们提出BioBlender作为一个完整的工具，用于阐述运动（在这里）和可视化（安德烈等人）的蛋白质和其他大分子，使用计算机图形仪器。大量的蛋白质（如果不是大多数的话）通过某种程度的运动来发挥它们的功能。尽管近年来在高性能方法方面取得了进展，但很难获得分子构象变化的直接信息。然而，有几种系统可以揭示单个肽链构象的可变性;其中，NMR方法提供了移动蛋白质的许多静态“镜头”的集合。从这些数据出发，并假设如果一个蛋白质存在于一个以上的构象，它必须能够在不同的状态之间转换，我们已经制定了一个系统，充分利用了3D计算机图形技术的计算能力。考虑到所有（重）原子的信息，我们使用Blender的动画和游戏引擎来获得过渡态。我们选择的模型来阐述我们的系统是钙调素，由于其结构和小尺寸的（相对）简单的结构和动态研究中最喜欢的蛋白质。使用钙调蛋白，我们展示了一个程序，使一个“导航图”的NMR模型的建设，可以帮助识别的运动。在这个过程中，产生了许多中间构象，所有这些都符合严格的生物物理和生物化学标准。BioBlender系统可从网站www.bioblender.net下载，以及示例，教程和其他有用的材料。
2010-09-24 q-bio.BM
Simple solvation potential for coarse-grained models of proteins
我们制定了一个简单的溶剂化潜力的基础上粗粒度表示的氨基酸与两个领域建模的$C_α$原子和一个有效的侧链质心。这一潜力依赖于一种新的方法来估计残留物的掩埋面积，该方法的基础是以适当的方式计算掩埋相邻物的有效数量。后一个数量显示出良好的相关性与埋区计算的残留物从所有原子晶体结构。我们检查的歧视性权力的溶剂化电位单独识别的天然折叠的蛋白质从一组诱饵，并显示出潜在的是相当大的选择性。
2006-06-22 q-bio.BM
Crystallographic modelling of protein loops and their heterogeneity with Rappertk
背景蛋白质的全原子晶体学精修是一个费力的手动驱动程序，因此，替代和多构象异构体的解释没有进行常规研究。结果我们描述了有效的循环采样程序在Rappertk和证明，蛋白质中的单循环可以自动和准确地建模，很少的位置限制。用复合CNS/Rappertk方案构建的环始终具有比仅用CNS的环更好的Rfree。这种方法被扩展到一个更现实的情况下，往往有很大的位置不确定性，随着小的缺陷，在二级结构框架的循环。集成和收集方法被用来估计环区域的结构异质性。结论除了对Rappertk进行全原子蛋白质精制任务的基准测试外，这项工作还展示了它在环建模的两个方面的实用性-构建单个构象异构体和估计环可能表现出的结构异质性。
2007-10-21 q-bio.BM
