SidechainNet: An All-Atom Protein Structure Dataset for Machine Learning
University of Pittsburgh（匹兹堡大学）
尽管用于蛋白质结构预测和表示的深度学习方法最近取得了进展，但很少关注同时包含和预测蛋白质主链和侧链结构信息。我们提出了SidechainNet，这是一个直接扩展ProteinNet数据集的新数据集。SidechainNet包括角度和原子坐标信息，能够描述每个蛋白质结构的所有重原子。在本文中，我们提供了有关蛋白质结构数据可用性和ProteinNet重要性的背景信息。此后，我们认为通过SidechainNet包含侧链信息可能是有益的，描述了我们组织SidechainNet的过程，并提供了一个软件包（https：//github.com/jonathanking/sidechainnet），用于数据操作和机器学习模型的训练。
2020-11-15 cs.LG q-bio.BM
Machinery of Functional Dynamics in Native Proteins
我们提供的证据表明，折叠蛋白质的能量景观不随温度变化，但功能动力学的发病与其有效的采样。主链的运动由三个不同的区域描述。一个是与缓慢的时间尺度的活动沿包络线的能量表面定义的折叠蛋白质。另一个，具有快速的时间尺度，是由于沿着装饰折叠状态信封的口袋的活动。中间状态出现在口袋之间的跳跃成为可能的温度下，导致活性蛋白质。
2003-09-19 cond-mat.soft q-bio.BM
Machine learning methods to study sequence-ensemble-function relationships in disordered proteins
本文综述了利用机器学习方法研究无序蛋白质序列-ensemble-功能关系的最新进展，涵盖构象ensemble生成、序列设计及序列与功能关联，强调实验、理论与模拟的整合及进化约束的作用。
2025-02-26 q-bio.BM
Leveraging Machine Learning Models for Peptide-Protein Interaction Prediction
本文综述了利用机器学习和深度学习模型预测肽-蛋白质相互作用的方法，旨在克服传统计算成本高、柔性大等挑战，并提升预测的准确性、鲁棒性与可解释性。
2024-02-07 q-bio.BM q-bio.QM
Binary classification of proteins by a Machine Learning approach
University of Florence（佛罗伦萨大学）；University of Perugia（佩鲁贾大学）
在这项工作中，我们提出了一个基于深度学习方法的系统，通过使用卷积神经网络，能够根据蛋白质数据库中包含的蛋白质描述对氨基酸的蛋白质链进行分类。每种蛋白质都在XML格式的文件中以其化学-物理-几何性质进行了充分描述。这项工作的目的是设计一个原型深度学习机器，用于收集和管理大量数据，并通过将其应用于氨基酸序列的分类来验证它。我们设想将所描述的方法应用于生物分子中更一般的分类问题，与结构特性和相似性有关。
2021-11-03 cs.LG q-bio.BM
FlexVDW: A machine learning approach to account for protein flexibility in ligand docking
Stanford University（斯坦福大学）
最广泛使用的配体对接方法假定刚性蛋白质结构。当靶蛋白的结构在配体结合时变形时，这导致问题。特别是，配体的真实结合位姿通常由于配体和蛋白质原子之间的明显冲突而被非常不利地评分，这导致计算的范德华能量项的极高值。传统上，这个问题已经通过明确寻找受体构象来解决，以解释受体在配体结合中的灵活性。在这里，我们提出了一个经过训练的深度学习模型，在预测范德华能量时隐式地考虑受体的灵活性。我们表明，将这种机器学习的能量项纳入最先进的基于物理学的评分函数中，可以在蛋白质变形较大的情况下改善小分子配体姿势预测结果，而不会在蛋白质变形最小的情况下降低性能。这项工作证明了学习蛋白质的灵活性对配体结合的影响的可行性，而无需明确建模蛋白质结构的变化。
2023-03-20 cs.LG q-bio.BM
Best Practices for Machine Learning-Assisted Protein Engineering
本文提出一套涵盖数据获取至模型部署的机器学习辅助蛋白质工程最佳实践指南，强调监督学习与软件工程规范，以提升模型可靠性、可复现性及社区标准。
2025-07-10 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
Navigating protein landscapes with a machine-learned transferable coarse-grained model
本文提出一种结合深度学习与大规模全原子模拟训练的通用可迁移粗粒化模型，能以远低于全原子MD的计算成本准确预测蛋白质折叠、中间态及无序蛋白涨落。
2023-10-27 physics.bio-ph physics.chem-ph q-bio.BM
Machine learning-guided directed evolution for protein engineering
机器学习（ML）引导的定向进化是一种新的生物设计范式，可以优化复杂的功能。ML方法使用数据来预测序列映射如何发挥作用，而不需要底层物理或生物途径的详细模型。为了演示ML引导的定向进化，我们介绍了构建ML序列-功能模型所需的步骤，并使用它们来指导工程，在每个阶段提出建议。这篇综述涵盖了与使用ML进行蛋白质工程相关的基本概念，以及这种新工程范式的当前文献和应用。ML方法通过从所有测量的变体中包含的信息中学习并使用该信息来选择可能被改进的序列来加速定向进化。然后，我们提供了两个案例研究，演示ML引导的定向进化过程。我们还期待着未来的机会，ML将能够发现新的蛋白质功能，并揭示蛋白质序列和功能之间的关系。
2019-04-19 q-bio.BM
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
Top-down machine learning of coarse-grained protein force-fields
Acellera Labs（阿塞莱拉实验室）；Universitat Pompeu Fabra（庞培法布拉大学）
本文提出一种自顶向下机器学习方法，利用分子动力学轨迹和可微重加权训练粗粒化蛋白质力场，仅需天然构象即可预测折叠事件，具有良好外推性，有助于新力场开发与蛋白质研究。
2023-10-10 cs.LG q-bio.BM
Machine learning-assisted directed protein evolution with combinatorial libraries
为了减少与定向蛋白质进化相关的实验工作量，并探索通过同时突变多个位置编码的序列空间，我们将机器学习纳入定向进化工作流程。组合序列空间的实验采样可能非常昂贵，但在测试变体上训练的机器学习模型提供了一种快速的方法来计算测试序列空间。我们验证了这种方法在一个大型的人类GB 1结合蛋白的经验适应度景观，证明机器学习引导的定向进化找到更高的适应度比其他定向进化方法发现的变体。然后，我们提供了一个例子中的应用程序，在进化的酶，以产生两个可能的产品对映异构体（立体分散性）的一个新的自然卡宾Si-H插入反应。该方法预测富含功能酶的文库，并在两轮进化中固定了7个突变，以93%和79%ee.By大大提高了通过计算机建模的吞吐量，机器学习提高了蛋白质工程问题序列解决方案的质量和多样性。
2020-01-04 q-bio.BM
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
APObind: A Dataset of Ligand Unbound Protein Conformations for Machine Learning Applications in De Novo Drug Design
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
蛋白质-配体复合物结构已被用于设计基准机器学习方法，其执行与药物设计相关的重要任务，例如受体结合位点检测、小分子对接和结合亲和力预测。然而，这些方法通常仅在蛋白质的配体结合（或全）构象上训练，因此当蛋白质结构处于其天然未结合构象（或apo）时不能保证良好地执行，所述天然未结合构象通常是新鉴定的受体可用的构象。其主要原因是结合位点的局部结构通常在配体结合时改变。为了便于解决这个问题，我们提出了一个名为APObind的数据集，旨在提供PDBbind数据集中存在的蛋白质的apo构象，PDBbind数据集是一个用于药物设计的流行数据集。此外，我们还探索了特定于该数据集上三个用例的方法的性能，通过这些方法，证明了在APObind数据集上验证它们的重要性。
2021-08-25 cs.AI cs.LG q-bio.BM
Machine Learning Coarse-Grained Potentials of Protein Thermodynamics
Universitat Pompeu Fabra（庞培法布拉大学）；Acellera Labs（阿塞莱拉实验室）；Rice University（莱斯大学）；FU Berlin（柏林自由大学）
针对蛋白质动力学理解这一科学难题，本文构建基于人工神经网络和统计力学的粗粒化分子势函数，利用含12种蛋白质约9毫秒全原子模拟的独特数据集训练，模型加速动力学超三个数量级且保留热力学特性，可识别结构状态、整合多蛋白质并捕捉突变体特征，为蛋白质动力学研究提供可行方法。
2022-12-14 cs.LG q-bio.BM
Protein-DNA computation by stochastic assembly cascade
RecA在单链DNA上的组装被测量和解释为一个随机有限状态机，它能够区分序列之间的细微差异，这是一个基本的计算操作。RecA细丝通过随机成核和解体事件的级联有效地扫描DNA序列，这在机制上类似于微管的动态不稳定性。这种迭代级联是一个多阶段的动态校对过程，放大了微小的差异，甚至是一个碱基的变化。我们的测量表明，这种随机图灵类机器可以计算某些积分变换。
2010-08-04 physics.bio-ph q-bio.BM
Physical limits on cooperative protein-DNA binding and the kinetics of combinatorial transcription regulation
在基因调控中观察到的许多复杂性起源于协同的蛋白质-DNA结合。虽然对蛋白质在DNA上的特异性结合位点的靶向搜索的研究已经揭示了蛋白质-DNA相互作用的定量特征的设计原理，但是对于DNA-结合蛋白质之间的协同相互作用还没有这样的原理。我们考虑一个简单的理论模型，两个相互作用的转录因子（TF）的物种，搜索和结合到两个相邻的靶位点隐藏在基因组背景。我们研究了二聚体搜索途径和单体搜索途径的动力学竞争，以及在广泛的TF-TF相互作用强度范围内由两个TF介导的稳态调节功能。使用转录AND逻辑作为示例性的功能背景下，我们确定的相互作用的功能理想的制度。我们发现，弱和非常强的TF-TF相互作用是有利的，虽然有不同的特点。然而，也有一个不利的制度，中间的相互作用，遗传反应是非常缓慢的。
2011-09-15 physics.bio-ph q-bio.BM
On the potential of machine learning to examine the relationship between sequence, structure, dynamics and function of intrinsically disordered proteins
内在无序蛋白（IDPs）是一类具有不同性质的蛋白质。IDP和内在无序区（IDR）之间的折叠结构域散布的一般特点是没有持久的三级结构，而是它们之间的大量不同的和经常扩展的结构相互转换。IDP和IDR参与了非常广泛的生物学功能，并揭示了新的相互作用机制，虽然它们违背了折叠蛋白质的常见结构-功能范式，但它们的结构偏好和动力学对其功能非常重要。我们在这里讨论IDP和IDR领域的开放问题，重点关注机器学习和其他计算方法发挥作用的领域。我们讨论了旨在预测瞬时形成的局部和长程结构的计算方法，包括综合结构生物学方法。我们讨论了许多不同的方式，其中IDP和IDR可以结合到其他分子，无论是通过短的线性图案，以及在形成较大的动态复合物，如生物分子凝聚体。我们讨论了实验如何提供对这种复合物的洞察，并可能实现更准确的预测。最后，我们讨论了国内流离失所者在疾病中的作用，以及如何需要新的方法来解释国内流离失所者的基因组变异的机制影响。
2021-06-01 q-bio.BM
Protein Folding and Machine Learning: Fundamentals
尽管经过了几十年的研究，关于折叠仍有许多东西有待发现：初始的详细结构（未折叠）状态，仅在未折叠状态下保留的残余折叠指令，分子与溶剂的相互作用，折叠期间分子内每个点处的瞬时功率，尽管有无数可能的干扰，该过程是稳定的事实，通过混沌的轨迹的潜在稳定，当然，还需要氨基酸序列中折叠过程的确切物理机制（代码或指令）。基于微观物理学的模拟已经取得了一些惊人的成功，并继续改进，特别是随着超级计算机能力的提高。模拟虽然令人兴奋，但对于处理大量感兴趣的分子来说，仍然太慢和昂贵。在本文中，我们介绍了一个近似模型的基础上，物理学，物理学和信息科学，提出了用于机器学习应用程序中，必须进行大量的子模拟。特别是，我们专注于学习阶段的机器学习应用，并认为我们的模型与物理学足够接近，尽管它具有近似的性质，但可以促进通过机器学习解决方案来探索上述折叠机制。我们特别强调的能量流（功率）在折叠过程中的分子内的探索，能量标度不变性（阈值以上）的可能性，在展开状态的残留信息作为有吸引力的目标，这样的机器语言分析，和统计分析的合奏折叠微步骤。
2018-11-19 physics.bio-ph q-bio.BM
Novel hybrid protein scaffold gap filling using weighted machine learning ensemble, beam search, and mass-constrained reranking
American International University-Bangladesh（美国国际大学-孟加拉国分校）；City University（城市大学）
提出一种混合机器学习与质量约束重排序框架，结合加权集成、束搜索及同源检索，在已知缺口大小和质量条件下实现高准确率的蛋白质支架缺口填充。
2026-09-09 cs.LG q-bio.BM
Mathematical Insights into Protein Architecture: Persistent Homology and Machine Learning Applied to the Flagellar Motor
Department of Mathematics, Faculty of Sciences, Ibn Tofail University（数学系，科学学院，伊本·图法易大学）；Department of Mathematics, Faculty of Sciences and Techniques, Abdelmalek Essaâdi University（数学系，科学与技术学院，阿卜杜勒马利克·艾萨迪大学）；Department of Computer and Information Science, Fordham University（计算机与信息科学系，福尔敦大学）
利用持续同调与机器学习，研究鞭毛马达的两种功能状态分类，通过拓扑数据分析揭示蛋白质功能相关模式。
2025-12-17 cs.LG math.AT q-bio.BM
Persistent Directed Flag Laplacian (PDFL)-Based Machine Learning for Protein-Ligand Binding Affinity Prediction
本文提出持久有向旗拉普拉斯算子（PDFL），结合有向旗复形与谱图理论及机器学习，用于蛋白质-配体结合亲和力预测，在三个基准数据集上优于现有方法，具有高准确性和简便性。
2024-11-07 q-bio.BM
Interplay between single-stranded binding proteins on RNA secondary structure
RNA蛋白质相互作用控制细胞RNA的命运，并在基因调控中发挥重要作用。这种相互作用之间的相互依赖性允许在基因调控中实现逻辑功能。我们调查的背景下，RNA二级结构的统计物理学的RNA结合伙伴之间的相互作用，并定义了一个线性相关函数的两个合作伙伴之间的相互依赖性，其结合事件的测量。我们证明了这种线性相关函数的长程幂律行为的出现。这表明RNA二级结构驱动的结合位点之间的相互依赖性是组合转录后基因调控的一般机制。
2013-10-22 q-bio.BM
Directed Evolution of Proteins via Bayesian Optimization in Embedding Space
Department of Computer Science FEE, Czech Technical University in Prague Prague, Czech Republic（计算机科学系（FEE），捷克技术大学布拉格分校）
本文提出一种结合贝叶斯优化与蛋白质语言模型嵌入表示的机器学习辅助定向进化方法，在相同筛选次数下提升优化效果，并超越现有回归目标方法。
2025-09-05 cs.LG q-bio.BM
Representing local protein environments with machine learning force fields
IST Austria（IST奥地利研究院）；Technion, Israel（技术学院，以色列）；University of Oxford, UK（牛津大学，英国）；Princeton University（普林斯顿大学）；Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所）
本文提出基于原子基础模型的局部蛋白质环境表示方法，有效捕捉结构和化学特征，实现了高精度的生物分子核磁共振化学移位预测。
2026-03-07 cs.AI q-bio.BM
Temperature transferable Machine Learned Coarse Grained model for proteins
Freie Universität Berlin（柏林自由大学）；Rice University（莱斯大学）
提出一种热力学感知的温度可迁移MLCG框架，将粗粒化势能分解为能量和熵成分，通过精确热力学关系实现跨温度外推，在Chignolin蛋白上验证了温度依赖性的准确复现。
2026-06-15 physics.bio-ph q-bio.BM stat.ML
Energy Transfer in molecular devices
蛋白质机器通常表现出不同位点之间的长程相互作用，以实现其生物学任务。我们研究和表征了蛋白质器件中的非线性能量局域化和能量传递的基本机制。通过研究两种不同的模型蛋白质机器，具有不同的生物功能，我们表明，真正的非线性现象是负责不同的机器网站之间的能量传输参与的生物功能。从能量的角度来看，能量转移是非常有效的：通过改变最初提供给模型设备的能量，我们确定了一个明确定义的能量范围，其中能量传输发生的时间是最小的，转移的能量是最大的。此外，通过引入一个隐式溶剂，我们表明，能量是本地化的蛋白质结构的内部残基，从而最大限度地减少耗散。
2014-10-09 cond-mat.soft physics.bio-ph q-bio.BM
Deep Learning of Proteins with Local and Global Regions of Disorder
针对固有无序蛋白质/区域预测置信度低的问题，提出基于Transformer语言扩散模型的IDPForge方法，生成与实验数据一致的全原子无序集合，无需序列特异性训练或重加权，促进无序蛋白质结构研究。
2025-03-29 q-bio.BM
Boltzmann Machine Learning with a Parallel, Persistent Markov chain Monte Carlo method for Estimating Evolutionary Fields and Couplings from a Protein Multiple Sequence Alignment
本文提出利用Boltzmann机和并行持久马尔可夫链蒙特卡洛方法，通过氨基酸单点和配对频率估计蛋白质进化场和耦合，提升蛋白质结构与进化研究的计算效率。
2026-04-20 cond-mat.stat-mech cs.LG q-bio.BM
Learning Compositional Representations of Interacting Systems with Restricted Boltzmann Machines: Comparative Study of Lattice Proteins
Laboratory of Physics of the Ecole Normale Supérieure, CNRS & PSL Research（巴黎高等师范学院物理实验室、法国国家科学研究中心及巴黎文理研究大学）
受限玻尔兹曼机（RBM）是一种无监督的机器学习二分图模型，它联合学习数据的概率分布并提取其相关统计特征。因此，RBM最近被提出用于表征蛋白质序列中氨基酸之间的协同进化模式和用于设计新的序列。在这里，我们研究了RBM学习的特征的性质如何随着其定义参数而变化，例如表示的维度（隐藏层的大小）和特征的稀疏性。我们表明，这些参数的足够的值，RBM操作在一个所谓的组成阶段，其中可见的配置采样从RBM通过重组这些功能。然后，我们将RBM的性能与其他标准的表示学习算法进行比较，包括主成分分析或独立成分分析、自动编码器（AE）、变分自动编码器（VAE）及其稀疏变体。我们表明，RBM，由于数据配置和表示之间的随机映射，更好地捕捉系统中的底层相互作用，并显着更强大的样本量比确定性的方法，如PCA或ICA。此外，这种随机映射不是像VAE那样预先规定的，而是从数据中学习的，这使得RBM即使在浅架构下也能表现出良好的性能。所有数值结果都在合成的晶格蛋白质数据上进行了说明，这些数据与真实的蛋白质序列具有相似的统计特征，并且已知地面真实相互作用。
2019-02-18 cs.LG physics.data-an q-bio.BM
On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction
Acellera Labs（Acellera实验室）；Universitat Pompeu Fabra（庞培法布拉大学）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高级研究学院（ICREA））
本研究评估了经典树模型与神经网络在蛋白质-配体结合亲和力预测中的表现，发现结合2D和3D模型优势可超越现有最先进方法，为药物发现策略提供重要见解。
2024-07-15 cs.LG q-bio.BM q-bio.QM
Knowledge-based machine learning methods for macromolecular 3D structure prediction
预测大分子（如蛋白质或RNA分子）的三维结构是生物信息学和计算生物学中最困难和最有吸引力的问题之一。它的重要性来自于给定蛋白质或RNA的3D结构与功能之间的关系。3D结构还有助于找到蛋白质的配体，这些配体通常是小分子，这是药物设计的关键步骤。不幸的是，精确获得大分子的3D结构没有捷径。大分子3D结构的许多物理测量由于其巨大的劳动力成本和对实验室条件的要求而无法按比例放大。近年来，由于计算速度和机器学习方法的进步，计算方法取得了巨大的进步。这些方法通过使用各种数学模型和机器学习方法，仅需要序列信息来预测3D结构。计算方法的成功高度依赖于具有已知结构的蛋白质和RNA的大型数据库。然而，计算方法的性能总是期望得到改进。这有几个原因。首先，我们面临着，并将继续面对数据的稀疏性。其次，三维结构空间太大，我们的计算能力。这两个障碍可以通过基于知识的方法来消除，该方法将从已知结构中学习的知识与生物学家对蛋白质或RNA折叠过程的知识相结合。在这篇论文中，我将介绍我的成果，建立一个基于知识的方法，通过使用机器学习方法来解决这个问题。我的方法包括中间状态的知识约束，这可以大大减少蛋白质或RNA的解决方案空间，从而提高结构折叠方法的效率，提高其准确性。
2016-12-13 q-bio.BM
Interpretable machine learning of amino acid patterns in proteins: a statistical ensemble approach
Università di Padova（帕多瓦大学）；INFN（意大利国家核物理研究院）
本文提出一种统计集成方法整合机器学习模型的解释，利用受限玻尔兹曼机揭示α-螺旋和β-折叠末端的五氨基酸序列模式，发现氨基酸在二级结构两亲性模式中的意外作用规律。
2023-03-27 cond-mat.stat-mech cs.LG q-bio.BM
Iterative Annealing Mechanism for Protein and RNA Chaperones
本文提出迭代退火机制（IAM）统一解释蛋白质与RNA分子伴侣的作用，说明二者通过反复退火最大化稳态折叠产量，并预测体内RNA分子伴侣活性需适中。
2025-06-14 cond-mat.soft physics.bio-ph q-bio.BM
ProtAgents: Protein discovery via large language model multi-agent collaborations combining physics and machine learning
Massachusetts Institute of Technology（麻省理工学院）；Laboratory for Atomistic and Molecular Mechanics (LAMM)（原子与分子力学实验室）；Center for Computational Science and Engineering（计算科学与工程中心）；Schwarzman College of Computing（施瓦茨曼计算学院）
ProtAgents利用大语言模型驱动的多智能体协作平台，结合知识检索、结构分析和物理模拟，实现从头蛋白质设计及目标力学性能优化，展示了LLMs在多目标材料问题中的潜力。
2024-01-27 cond-mat.soft cs.AI cs.CL
Integration of persistent Laplacian and pre-trained transformer for protein solubility changes upon mutation
提出整合预训练 Transformer 序列嵌入与 AlphaFold2 结构上的持久拉普拉斯拓扑表征，预测突变导致的蛋白质溶解度变化，性能最高提升15%。
2023-11-02 math.AT q-bio.BM
Advances in Machine Learning for Directed Evolution: A Five-Year Retrospective
Microsoft（微软）
本文回顾了ML在定向进化领域进展滞后的原因，指出MLDE与定向进化的目标脱节及忽略DNA合成成本是关键，还提及例外工作并认为二者可兼顾。
2026-10-23 cs.LG q-bio.BM
Deep Recurrent Neural Network for Protein Function Prediction from Sequence
Wyss Institute for Biologically Inspired Engineering（威斯生物启发工程研究所）；School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）；Department of Systems Biology, Harvard Medical School（哈佛医学院系统生物学系）
随着高通量生物测序变得更快更便宜，从测序中提取有用信息的需求变得越来越重要，通常受到低通量实验表征的限制。对于蛋白质，直接从其一级氨基酸序列准确预测其功能一直是一个长期存在的挑战。在这里，使用人工递归神经网络（RNN）的机器学习被应用于直接从初级序列对蛋白质功能进行分类，而无需序列比对、启发式评分或特征工程。包含长短期记忆（LSTM）单元的RNN模型在UniProt的公共注释数据集上训练，在测试的四个重要蛋白质功能的类内预测方面实现了高性能，特别是与使用序列衍生蛋白质特征的其他机器学习算法相比。RNN模型还用于具有相似功能的遗传学不同蛋白质家族的类外预测，包括CRISPR相关核酸酶、铁蛋白样铁储存和细胞色素P450家族的蛋白质。在部分未注释的UniRef100数据库上应用训练的RNN模型，不仅预测了通过现有注释验证的候选序列，而且预测了当前未注释的序列。一些RNN对铁蛋白样铁螯合功能的预测得到了实验验证，尽管它们的序列与已知的特征蛋白质以及彼此之间存在显着差异，并且无法使用流行的生物信息学方法进行预测。随着测序和实验表征数据的迅速增加，基于RNN的机器学习方法可能有助于发现和预测各种蛋白质功能的同源物。
2017-01-28 cs.LG q-bio.BM q-bio.QM
A topological approach for protein classification
蛋白质的功能和动力学与其序列和结构密切相关。然而，从蛋白质的序列和结构预测蛋白质的功能和动力学仍然是分子生物学的一个基本挑战。蛋白质分类是理解蛋白质功能和动力学的关键一步，通常是通过基于蛋白质序列或物理信息测量蛋白质之间的相似性来完成的。持久同调是代数拓扑学的一个新分支，它在包括分子生物学在内的许多学科的拓扑数据分析中取得了成功。目前的工作探讨了使用持久同源性作为蛋白质分类的独立工具的潜力。为此，我们提出了一种基于分子拓扑指纹的支持向量机（MTF-SVM）分类器。具体来说，我们构建机器学习特征向量完全从蛋白质拓扑指纹，这是在过滤过程中产生的拓扑不变量。为了验证本MTF-SVM方法，我们考虑四种类型的问题。首先，我们通过使用甲型流感病毒的M2通道蛋白来研究蛋白质-药物结合。我们在区分药物结合和未结合的M2通道方面实现了96%的准确性。此外，我们研究了使用MTF-SVM的血红蛋白分子在其放松和绷紧的形式进行分类，并获得约80%的准确率。在我们的下一项研究中，使用900种蛋白质鉴定所有α、所有β和α-β蛋白质结构域。我们发现，在这种鉴定中，成功率为85%。最后，我们将本技术应用于超过1357个样本的蛋白质超家族的55个分类任务。平均准确率为82%。本研究建立了计算拓扑作为一个独立的和有效的替代蛋白质分类。
2015-10-04 q-bio.BM
Multiscale differential geometry learning for protein flexibility analysis
本研究提出基于微分几何的多尺度模型（mDG），通过分析低维流形曲率预测蛋白质B因子，在364个蛋白质数据集上比经典高斯网络模型准确率提升27%，并结合机器学习实现盲预测。
2024-11-05 q-bio.BM
Classifying the Stoichiometry of Virus-like Particles with Interpretable Machine Learning
University of Sheffield（谢菲尔德大学）；School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院）；School of Chemical, Materials and Biological Engineering, University of Sheffield（谢菲尔德大学化学、材料与生物工程学院）
针对VLP化学计量比实验测定耗时且依赖高纯度蛋白的问题，本文构建新数据集并提出基于线性模型的可解释机器学习流程，可分类化学计量比并识别影响VLP组装的序列特征。
2025-02-17 cs.LG q-bio.BM q-bio.QM
Machine Learning for Classification of Protein Helix Capping Motifs
Data Science Institute（数据科学研究所）；Department of Biomedical Engineering（生物医学工程系）；University of Virginia（弗吉尼亚大学）
蛋白质的生物学功能源于其三维结构，三维结构由其氨基酸构建单元之间的原子间力的能量学决定（氨基酸的顺序，称为序列，定义了蛋白质）。考虑到通过实验手段（如X射线晶体学）确定蛋白质结构的成本（时间，金钱，人力资源），我们是否可以更好地描述和比较蛋白质的3D结构，以获得有意义的生物学见解？我们首先考虑一个相对简单的问题，仅限于蛋白质二级结构元件。历史上，已经设计了许多计算方法来将蛋白质链中的氨基酸残基分类为几种离散二级结构中的一种，其中最充分表征的是几何规则的$α$-螺旋和$β$-片层;不规则的结构模式，如"转角"和"环"，则较少了解。在这里，我们提出了一项深度学习技术的研究，以分类界定$α$-螺旋的环状端帽结构。以前的工作使用高度经验和启发式的方法来手动分类螺旋帽基序。相反，我们直接使用结构数据-包括（i）从3D结构计算的主链扭转角，（ii）大分子特征集（例如，物理化学性质），和（iii）螺旋帽分类数据（来自CAPS-DB）-作为基础事实来训练双向长短期记忆（BiLSTM）模型以分类螺旋帽残基。为了训练和评估几个模型，我们尝试了不同的网络架构和扫描超参数;我们还训练了一个支持向量分类器（SVC）作为基线。最终，我们通过深度BiLSTM模型实现了85%的类平衡准确率。
2019-05-01 cs.LG q-bio.BM q-bio.QM
Transferable Implicit Solvent Machine Learning Potential for Drugs and Proteins Approaching Ab Initio Accuracy
Technical University of Munich（慕尼黑技术大学）
研究针对生物分子系统建模中机器学习原子间势推理慢的问题，提出由等变图神经网络参数化、基于从头算和实验标签训练的可转移水隐式网络（TWIN），该模型可转移性强，性能优，为生物分子系统高效建模提供了可能。
2026-07-14 cs.LG physics.chem-ph q-bio.BM
Symmetry, Rigidity, and Allosteric Signaling: From Monomeric Proteins to Molecular Machines
生物分子中的变构信号传导在生物学中是普遍存在的，其可以被视为由于配体结合或环境线索变化的局部扰动而在一定距离处的特异性超距作用。现象学MWC和KNF模型激发了五十多年的研究，这些模型仍然是描述一系列系统中变构的基础。然而，理解变构信号和不同变构状态之间的相关动力学是具有挑战性的。在这篇综述中，我们首先描述了对称性和刚性的变构蛋白质的基本要求。一般的功能，MWC和KNF作为两个极端的情况下，出现变构信号从能源景观的角度来看。为了超越一般理论，我们描述了计算工具来预测携带变构信号的残基网络。方法，以获得分子的见解变构转换的动力学简要提及。该方法的效用说明了从单体蛋白质的多亚基蛋白质的系统的应用程序。最后，作用变构在ATP消耗的分子机器，细菌伴侣GroEL和分子马达的功能，进行了描述。虽然不存在控制变构信号的普遍分子原理，但我们可以得出以下一般性结论。(1)连接变构状态的多种途径是高度异质的。(2)变构信号对系统的结构非常敏感，这意味着变构的能力编码在结构本身中。(3)连接不同变构状态的机械模式对序列变化是稳健的。(4)对血红蛋白和最近GroEL中变构的广泛研究表明，盐桥重排网络充当变构开关。
2018-12-12 cond-mat.soft q-bio.BM
Sparse generative modeling via parameter-reduction of Boltzmann machines: application to protein-sequence families
Universität Basel（巴塞尔大学）；Swiss Institute of Bioinformatics（瑞士生物信息学研究所）；Politecnico di Torino（都灵理工大学）；Italian Institute for Genomic Medicine（意大利基因组医学研究所）；Sorbonne Université（索邦大学）；Université PSL（巴黎文理研究大学）
玻尔兹曼机（BM）被广泛用作生成模型。例如，成对Potts模型（PM），其是BM类的实例，提供进化相关的蛋白质序列家族的精确统计模型。它们的参数是局部场，它描述了氨基酸保守的位点特异性模式，以及两个位点的耦合，它反映了位点对之间的共同进化。这种协同进化反映了进化过程中作用于蛋白质序列的结构和功能限制。描述共同进化信号的最保守的选择是将所有可能的两位点耦合都包括在PM中。这种选择，典型的被称为直接偶联分析，已成功地预测三维结构中的残基接触，突变效应，并产生新的功能序列。然而，由此产生的PM遭受重要的过拟合效应：许多耦合是小的，嘈杂的，几乎无法解释的PM接近临界点，这意味着它是高度敏感的小参数扰动。在这项工作中，我们介绍了一个一般的参数减少过程BM，通过控制迭代抽取的统计意义不大的耦合，确定了一个基于信息的标准，选择弱或统计不支持的耦合。对于几个蛋白质家族，我们的程序允许一个删除超过$90\%$的PM耦合，同时保留了原始的密集PM的预测和生成特性，所得到的模型是远离临界，因此更强大的噪音。
2021-07-30 cond-mat.stat-mech cs.LG q-bio.BM
Integrating molecular models into CryoEM heterogeneity analysis using scalable high-resolution deep Gaussian mixture models
解决蛋白质的结构变异性通常是理解这些大分子机器的结构-功能关系的关键。使用低温电子显微镜（CryoEM）的单粒子分析与机器学习算法相结合，提供了一种从嘈杂的显微照片中揭示蛋白质系统内动力学的方法。在这里，我们介绍了一种改进的计算方法，使用高斯混合模型的蛋白质结构表示和深度神经网络的构象空间嵌入。通过将来自分子模型的信息整合到异质性分析中，我们可以在近原子分辨率下解析复杂的蛋白质构象变化，并以更可解释的形式呈现结果。
2022-11-18 q-bio.BM q-bio.QM
PharML.Bind: Pharmacologic Machine Learning for Protein-Ligand Interactions
Cray, a Hewlett Packard Enterprise Company（克雷公司，慧与（HPE）旗下企业）；College of Pharmacy, Medical University of South Carolina（南卡罗来纳医科大学药学院）
创建一种分析范式，可以从实验数据中分析并准确快速地预测已知药物，这是否可行？Bind是一个机器学习工具包，它能够完成这一壮举。利用深度神经网络和大数据，PharML.Bind将实验衍生的药物亲和力和蛋白质配体X射线结构相关联，以创建新的预测。PharML.Bind的实用性在于其作为发现和个性化医疗的快速、准确和强大的预测平台的应用。这篇论文证明，图神经网络（GNN）可以在几分钟内针对数千个目标筛选数十万种化合物，这比以前的方法要短得多。本文展示了在清理后使用整个BindingDB进行训练和测试的结果;这包括一个包含19，708个X射线结构和247，633种药物的测试集，导致2，708，151个独特的蛋白质-配体配对。在25分钟内，PharML.Bind在这个测试集上达到了惊人的98.3%的准确率。PharML.Bind遵循以下关键原则：1）速度和每单位计算时间的高富集因子，由高质量训练数据与新的GNN架构和高性能计算资源的使用相结合提供，2）通过使用活性位点不可知的GNN映射，泛化到训练集之外的蛋白质和药物（包括具有未知活性位点的那些）的能力，以及3）易于集成为日益复杂的预测和分析管道的组件的能力。PharML.Bind代表了一种及时实用的方法，可以利用机器学习的力量在任何实际规模上有效地分析和预测药物作用，并将在各种发现和医疗应用中提供实用性。
2019-10-23 cs.LG cs.NE q-bio.BM
A Point Cloud-Based Deep Learning Strategy for Protein-Ligand Binding Affinity Prediction
基于人工智能的蛋白质-配体亲和模型在药物发现中有着广泛的应用前景。本文首次将PointNet和PointTransformer两种逐点多层感知器应用于蛋白质-配体亲和力预测。PDBbind-2016中的数据集可以快速生成三维点云，该数据集分别包含来自细化或/和通用集的3772和11327个个体点云。这些点云用于训练PointNet或PointTransformer，基于CASF-2016基准测试，从较大的点云中分别产生皮尔逊相关系数R = 0.831或0.859的蛋白质-配体亲和力预测模型。对参数的分析表明，这两个深度学习模型能够学习蛋白质与其配体之间的许多相互作用，并且这些相互作用的关键原子可以在点云中可视化。PointTransformer学习的蛋白质与配体相互作用特征可以进一步适用于基于XGBoost的机器学习算法，从而产生平均Rp为0.831的预测模型，这与基于PDBbind数据库的最新机器学习模型相当。这些结果表明，来自PDBbind数据集的点云可用于评估以3D点云为中心的深度学习算法的性能，该算法可以从自然进化或药物化学中学习关键的蛋白质与配体相互作用，并在研究蛋白质与配体相互作用方面具有广泛的应用。
2021-07-09 q-bio.BM
GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection
Università degli Studi di Milano（米兰大学）；Università degli Studi di Bologna（博洛尼亚大学）；Dompé Farmaceutici SpA（多姆佩制药股份公司）
本文提出基于群等变非扩张算子的新机器学习范式GENEOnet，用于蛋白质口袋检测，具有参数少、透明度高、小样本下性能好且准确性优于或媲美现有方法。
2022-01-31 cs.AI cs.LG math.OC
Predicting Succinylation Sites in Proteins with Improved Deep Learning Architecture
Department of Electrical Engineering and Computer Science Wichita State University（威奇托州立大学电气工程与计算机科学系）；Wichita State University（威奇托州立大学（注：此处按机构粒度要求，提取到大学级别，原部门属于该大学内的部门，故保留完整部门+大学结构））
蛋白质翻译后修饰（PTMs）发生在翻译过程之后。PTM负责许多细胞过程，例如脱氧核糖核酸（DNA）修复、细胞信号转导和细胞死亡。最近的PTM之一是琥珀酰化。琥珀酰化将赖氨酸残基从$-1$修饰为$+1$。使用实验方法如质谱法定位琥珀酰化位点是非常费力的。因此，使用机器学习技术的计算方法是有利的。本文提出了一种深度学习架构来预测琥珀酰化位点。将所提出的架构的性能与最先进的深度学习架构和用于琥珀酰化的其他传统机器学习技术进行比较。它示出的性能指标，所提出的架构提供了一个很好的权衡之间的计算速度和分类精度。
2021-12-27 cs.LG q-bio.BM
Boltzmann machine learning and regularization methods for inferring evolutionary fields and couplings from a multiple sequence alignment
本研究通过玻尔兹曼机学习与正则化方法，从多序列比对推断蛋白质的进化场和耦合，并调整参数以准确恢复相互作用，同时估计折叠约束的选择温度。
2024-07-21 cond-mat.stat-mech cs.LG q-bio.BM
Machine-learning Analysis of Opioid Use Disorder Informed by MOR, DOR, KOR, NOR and ZOR-Based Interactome Networks
阿片类药物使用障碍（OUD）在全球范围内持续构成重大的公共卫生挑战和社会影响，阿片类药物依赖性急剧上升，导致潜在的滥用。尽管已经批准了一些药理学试剂用于OUD治疗，但是所述试剂用于OUD的功效需要进一步改进，以提供更安全和更有效的药理学和心理社会治疗。OUD的可行治疗依赖于对阿片依赖神经生物学机制的理解。包括μ、δ、κ、伤害感受素和ζ阿片受体的蛋白质是阿片类药物的直接靶点。每种受体都有一个大的蛋白质相互作用（PPI）网络，当进行各种治疗时表现不同，从而增加了有效阿片类药物成瘾治疗的药物开发过程的复杂性。下面的报告分析了工作，提出了一个PPI网络知情的机器学习研究OUD。我们研究了五种阿片受体网络中的500多种蛋白质，随后收集了74个抑制剂数据集。将梯度提升决策树（GBDT）算法与两种基于高级自然语言处理（NLP）的分子指纹图配对，构建机器学习模型。利用这些模型，我们系统地对四种阿片受体的候选药物的筛选和再利用潜力进行了评估。此外，在筛选潜在候选药物时还考虑了吸收、分布、代谢、排泄和毒性（ADMET）特性。我们的研究可能是一个有价值的和有前途的工具，药物开发的OUD治疗。
2023-01-12 q-bio.BM
Plug & Play Directed Evolution of Proteins with Gradient-based Discrete MCMC
National Renewable Energy Lab（国家可再生能源实验室）；Stanford University（斯坦福大学）；Maplewell Energy（Maplewell能源公司）
提出一种基于梯度的离散MCMC蛋白质采样框架，通过组合无监督和监督模型构建专家乘积分布，无需微调即可高效发现高活性和高进化可能性的蛋白质变体。
2023-04-06 cs.LG q-bio.BM
