Protein Design with Guided Discrete Diffusion
New York University(纽约大学);Prescient Design(Prescient设计公司);Genentech(基因泰克)
本研究提出离散扩散引导方法NOS以直接在序列空间做蛋白质设计,还推广出LaMBO-2方法,在抗体优化任务的体外实验中取得99%表达率和40%结合率。
2023-12-12 cs.LG 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
MP2D: Constrained Monte Carlo Tree-Guided Diffusion for Multi-Objective Protein Sequence Design
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);State Key Laboratory of Transvascular Implantation Devices and TIDRI(血管植入器械国家重点实验室和TIDRI);Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence(浙江省医学影像人工智能重点实验室)
本文提出MP2D框架,结合条件离散扩散与约束MCTS及全局迭代优化,解决多目标蛋白质序列设计中的冲突属性问题,实现高效平衡优化。
2026-05-07 q-bio.BM
Design Of Drug-Like Protein-Protein Interaction Stabilizers Guided By Chelation-Controlled Bioactive Conformation Stabilization
14-3-3蛋白的蛋白质相互作用(PPI)是研究PPI稳定性的模型系统。复杂的天然产物Fusicoccin A稳定了许多14-3-3 PPI,但不适合用于SAR研究,这促使人们寻找更多的药物样化学物质。然而,使这种研究成为可能的药物样14-3-3 PPI稳定剂仍然难以捉摸。PPI与极低效力稳定剂复合的X射线晶体结构揭示了一种意想不到的非蛋白质相互作用的配体螯合Mg 2+,导致发现金属离子依赖性14-3-3 PPI稳定效力。这源于一种新的螯合控制的生物活性构象稳定效应。金属螯合作用与泛测定干扰化合物(PAINS)和频繁的击球行为有关,但螯合作用显然也可以导致真正的效力增加,并可用作指导化合物优化的药物化学策略。为了证明这一点,我们利用这一效应设计了第一个有效的、选择性的和药物样的14-3-3 PPI稳定剂。
2020-11-06 q-bio.BM
Context-Guided Diffusion for Out-of-Distribution Molecular and Protein Design
University of Oxford(牛津大学);New York University(纽约大学)
本文提出上下文引导扩散(CGD),一种利用未标记数据和平滑性约束的即插即用方法,以提升扩散模型在分布外场景下的泛化能力,在药物发现、材料科学和蛋白质设计等领域取得显著性能提升。
2024-07-16 cs.LG q-bio.BM stat.ML
Modular decomposition of protein structure using community detection
随着解决的蛋白质结构数量的增加,对该数据集进行荟萃分析的机会也增加了。已知蛋白质结构由结构域形成;结构和功能亚基通常在蛋白质组中重复。这些结构域通常形成紧凑的球状区域,因此通常容易通过检查识别,但自动将蛋白质片段化为这些紧凑的亚结构的问题在计算上仍然具有挑战性。现有的结构域分类方法集中在寻找保守的蛋白质结构的子区域,而不是寻找跨越整个蛋白质结构的分解。然而,这样的分解将在粗粒化分子动力学,分析蛋白质的拓扑结构,在从头蛋白质设计和拟合电子显微镜图中找到现成的应用。在这里,我们提出了一个工具,用于执行此模块化分解使用的信息地图社区检测算法。蛋白质结构被抽象成一个网络,其中它的氨基酸是节点,并使用一个简单的邻近测试生成的边缘。然后,信息图谱可以用于识别蛋白质的高度内部连接区域。我们对来自蛋白质数据库的4000种不同的蛋白质结构进行了系统的分解。所获得的分解与现有的PFAM序列分类很好地相关,但具有跨越整个蛋白质的优点,具有新结构域的潜力。由社区形成的粗粒度网络也可以用作单链水平上蛋白质拓扑结构的代理;我们证明了将这些蛋白质按其粗粒度网络分组会导致功能显著的分类。
2018-09-18 physics.bio-ph q-bio.BM
PDFBench: A Benchmark for De novo Protein Design from Function
针对功能引导的蛋白质设计缺乏统一评估框架问题,引入PDFBench基准测试,通过16个指标系统评估8个模型,涵盖两种关键设置,能可靠比较模型并为研究提供指导。
2026-07-07 cs.AI cs.LG q-bio.BM
iTreePack: Protein Complex Side-Chain Packing by Dual Decomposition
蛋白质侧链包装是获得结构的3D坐标和药物发现的关键组成部分。单结构域蛋白质侧链包装已被彻底研究。将这些方法推广到蛋白质复合物的一个主要挑战是,它们与单体不同,通常具有非常大的树宽,因此不能直接应用TreePack等算法。为了解决这个问题,SCWRL 4有效地将复合物作为单体处理,排除弱相互作用以减少树宽;因此,SCWRL 4在蛋白质界面上产生不良包装。迄今为止,很少有专门为蛋白质复合物设计的侧链包装方法。在本文中,我们介绍了一种方法,iTreePack,它解决了侧链包装问题的复杂性,通过使用一种新的组合的对偶分解和树分解。特别是,iTreePack通过将蛋白质复合物分解成较小的子图和新颖地将复杂的侧链包装问题重新表述为对偶松弛问题,克服了大树宽的问题;这使我们能够使用树分解分别解决每个小的子图的侧链包装。利用投影次梯度算法,保证了所有小子图的侧链填充的一致性。计算结果表明,我们的iTreePack程序优于SCWRL 4的蛋白质复合物。特别是,iTreePack将侧链原子更准确地放置在非常大的复合物上,这些复合物构成了蛋白质相互作用的重要部分。此外,iTreePack相对于SCWRL 4的优势随着复合体的树宽而增加。即使对于单体蛋白质,iTreePack也比SCWRL更有效,也更准确。
2015-04-21 q-bio.BM
ProtInvTree: Deliberate Protein Inverse Folding with Reward-guided Tree Search
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);AI Lab, Research Center for Industries of the Future, Westlake University(未来产业研究院人工智能实验室);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高陵人工智能学院)
ProtInvTree 提出首个奖励引导树搜索框架,将蛋白质逆向折叠建模为逐步决策过程,通过聚焦-落地动作机制和跳跃式去噪策略,在不重新训练的情况下生成结构一致且多样化的蛋白质序列,并在多个基准上超越现有方法。
2025-06-01 cs.CV cs.LG q-bio.BM
PepLLM: ESM-Guided Llama for Structured Protein-Peptide Binding Interface Analysis
Shanghai Jiao Tong University(上海交通大学);School of Computer Science(计算机科学学院);Centre for Cognitive Machines and Computational Health (CMaCH)(认知机器与计算健康中心)
本研究提出PepLLM框架,整合ESM与LLaMA,生成蛋白质-肽结合界面的多属性结构化注释,为可解释的蛋白质-肽界面分析建立新任务与建模范式。
2026-08-25 cs.AI cs.LG q-bio.BM
Token-Level Guided Discrete Diffusion for Membrane Protein Design
University of Pennsylvania(宾夕法尼亚大学);Duke University(杜克大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Duke-NUS Medical School(杜克-新加坡国立大学医学院)
本文提出基于 RDM 的 MemDLM 蛋白质语言模型及 PET 逐 token 引导采样,实现可控膜蛋白从头设计、基序支架与性质优化,并经 TOXCAT 实验验证跨膜插入。
2025-09-28 q-bio.BM
Pharmacophore-guided de novo drug design with diffusion bridge
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
提出PharmacoBridge,一种药效团引导的从头药物设计方法,利用扩散桥在SE(3)等变变换下将药效团空间排列转化为分子结构,实现对生化特征的精细控制,生成与靶点高亲和力的候选药物。
2025-01-27 cs.LG q-bio.BM
A 3D pocket-aware and evolutionary conserved interaction guided diffusion model for molecular optimization
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);School of Pharmaceutical Science, Sun Yat-sen University(中山大学药学院);West China School of Pharmacy, Sichuan University(四川大学华西药学院)
本文提出3D靶标感知扩散模型DiffDecip,将蛋白质-配体相互作用与残基进化保守信息同时纳入扩散和采样过程,通过骨架修饰实现分子优化,在形成更多与高度保守残基的非共价相互作用方面优于基线模型DiffDec。
2025-05-09 cs.LG physics.chem-ph q-bio.BM
Sequence-guided protein structure determination using graph convolutional and recurrent networks
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Atomwise, Inc.(Atomwise公司)
单粒子,低温电子显微镜(cryo-EM)实验现在经常产生大蛋白质及其复合物的高分辨率数据。将原子模型构建到cryo-EM密度图中是具有挑战性的,特别是当目标蛋白质的结构先验未知时。针对这类任务的现有协议通常依赖于大量的人为干预,并且可能需要数小时到数天才能产生输出。在这里,我们提出了一个完全自动化的,无模板的模型构建方法,是完全基于神经网络。我们使用图卷积网络(GCN)从一组基于旋转异构体的氨基酸身份和候选三维C $α$位置生成嵌入。从这个嵌入开始,我们使用双向长短期记忆(LSTM)模块来排序和标记与输入蛋白质序列一致的候选身份和原子位置,以获得结构模型。我们的方法为在现有方法的一小部分时间内从cryo-EM密度确定蛋白质结构铺平了道路,并且不需要人为干预。
2020-09-03 cs.CE cs.LG q-bio.BM
Prompt-Guided Injection of Conformation to Pre-trained Protein Model
Zhejiang University(浙江大学);AZFT Knowledge Engine Lab(AZFT知识引擎实验室);MindRank AI Ltd.(MindRank AI有限公司)
预先训练的蛋白质模型(PTPM)表示具有一个固定嵌入的蛋白质,因此无法执行多种任务。例如,蛋白质结构可以在各种生物过程中在几种构象之间转换,即蛋白质折叠。为了使PTPMs产生任务感知的表示,我们建议学习可解释的,可插入的和可扩展的蛋白质提示作为一种方式注入任务相关的知识到PTPMs。在这方面,使用掩蔽语言建模任务进行的先前PTPM优化可以被解释为学习序列提示(Seq提示),该提示使PTPM能够捕获氨基酸之间的序列依赖性。为了将构象知识的PTPMs,我们提出了一个相互作用的构象提示(IC提示),通过反向传播与蛋白质-蛋白质相互作用的任务。作为一个实例,我们提出了一个构象感知的预训练蛋白质模型,在多任务设置中学习序列和相互作用构象提示。我们在9个蛋白质数据集上进行了全面的实验。结果证实了我们的期望,使用序列提示不会伤害PTPM的性能序列相关的任务,而将相互作用构象提示显着提高PTPM的性能构象知识计数的任务。我们还表明,学习的提示可以组合和扩展,以处理新的复杂任务。
2022-02-07 cs.AI q-bio.BM
Pro-PRIME: A general Temperature-Guided Language model to engineer enhanced Stability and Activity in Proteins
本文提出温度感知蛋白质语言模型 PRIME,无需目标蛋白既往诱变数据即可预测并筛选提升稳定性与活性的单位点及多位点突变体,并在 283 项检测和五种蛋白质实验中验证其有效性。
2024-10-28 q-bio.BM
BCL::MP-Fold: membrane protein structure prediction guided by EPR restraints
对于许多膜蛋白,它们的拓扑结构的确定仍然是一个挑战,如X射线晶体学和核磁共振(NMR)光谱的方法。电子顺磁共振(EPR)光谱已发展成为一种替代技术来研究膜蛋白的结构和动力学。本研究证明了利用有限EPR距离和可及性测量确定膜蛋白拓扑结构的可行性。BCL::MP-Fold(BioChemical Library membrane protein fold)算法使用Monte Carlo Metropolis(MCM)方法组装膜中的二级结构元件(SSE)。抽样模型进行评估,使用知识为基础的潜在功能和协议的EPR数据和知识为基础的能量函数。多达696个残基的29个膜蛋白用于测试算法。最准确的模型的RMSD 100值对于27个蛋白质优于8 μ m,对于22个蛋白质优于6 μ m,对于29个蛋白质中的15个蛋白质优于4 μ m,证明了算法对天然拓扑结构进行采样的能力。平均富集度可从1.3提高到2.5,显示出使用EPR数据提高的区分能力。
2016-03-21 physics.bio-ph physics.chem-ph physics.comp-ph
Protein structure prediction guided by cross-linking restraints - A systematic evaluation of the impact of the cross-linking spacer length
高分辨率质谱(MS)仪器的最新发展使化学交联(XL)成为获得蛋白质结构信息的高通量方法。来自XL-MS实验的限制已成功地用于结构细化和蛋白质-蛋白质对接。然而,一个棘手的问题是,在什么情况下XL-MS数据可能足以从头确定蛋白质的三级结构?解决这个问题不仅包括了解XL-MS数据对从头蛋白质结构预测算法中的采样和评分的影响,还必须确定用于蛋白质结构测定的最佳交联剂类型和长度。虽然较长的交联剂将产生更多的约束,但由于约束与较大的构象空间一致,因此蛋白质结构预测的每个约束的值降低。在本研究中,考虑到Lys-Lys、Lys-Asp、Lys-Glu、Cys-Cys和Arg-Arg反应性交联剂在1 μ g和60 μ g之间,对一组2,055个非冗余蛋白质折叠进行了计算机模拟,系统分析了交联的数量及其鉴别力。根据蛋白质的大小,开发了一种启发式方法来确定最佳的交联剂长度。接下来,使用可变长度的模拟约束,使用BCL::Fold算法从头预测十五种蛋白质的三级结构。结果表明,一个独特的交联剂长度存在的从头蛋白质结构预测的信息含量最大化。采样精度平均提高了1.0 μ m,在最突出的示例中提高了2.2 μ m。XL-MS限制始终能够改善对天然样模型的选择,平均富集度为2.1。
2016-03-20 physics.bio-ph physics.comp-ph q-bio.BM
PocketVE: Stable and Property-Guided Structure-Based Drug Design with Variance-Exploding Diffusion
University of Connecticut(康涅狄格大学)
PocketVE提出一种结合稳定坐标去噪与推理时性质引导的方差爆炸扩散框架,在CrossDocked2020上显著提升三维有效性并降低应变能,实现稳定与性质引导的耦合设计。
2026-09-29 cs.LG q-bio.BM
Curriculum-guided multimodal representation learning enables generalizable prediction of nanomaterial-protein interactions
School of Engineering, Westlake University(西湖大学工程学院);Institute of Advanced Technology, Westlake Institute for Advanced Study(西湖研究所在先进科技研究院);Centre for BioNano Interactions, School of Chemistry, University College Dublin(都柏林大学学院化学系生物纳米相互作用中心);School of Biomolecular and Biomedical Science, UCD Conway Institute of Biomolecular and Biomedical Research(都柏林大学学院生物分子与生物医学科学系,康沃利斯生物分子与生物医学研究学院)
本文提出CuMMI模型,通过多阶段课程学习和大规模数据集,实现纳米材料-蛋白质相互作用的通用预测,验证了其在不同数据集上的鲁棒性和可迁移性。
2026-04-28 cond-mat.mtrl-sci cs.AI cs.CE
Inverse problems with experiment-guided AlphaFold
针对现有蛋白质结构预测方法仅输出单一构象、忽略构象异质性的问题,研究提出将AlphaFold3等作为结构先验、结合实验数据进行后验推断的框架,可生成符合实验的构象集合,性能优于现有方法。
2025-06-16 q-bio.BM
Co-folding model guided by structural proteomics
Protai Bio(Protai生物)
提出AIMS-Fold框架,通过整合XL-MS和HDX-MS实验数据与扩散模型,在推理时引导蛋白质复合物构象生成,提升诱导接近靶标的预测准确性。
2026-11-10 cs.AI cs.LG q-bio.BM
FFF: Fragments-Guided Flexible Fitting for Building Complete Protein Structures
DP Technology, Ltd.(深势科技有限公司);Peking University(北京大学)
本文提出 FFF 方法,通过多级识别网络提取 cryo-EM 图特征,结合片段生成与柔性拟合,将结构预测与识别相融合,以解决低信噪比下无法构建完整蛋白质结构的问题,并在基准测试中优于基线方法。
2023-08-07 cs.AI cs.CV q-bio.BM
Template-Guided 3D Molecular Pose Generation via Flow Matching and Differentiable Optimization
Iktos SA(Iktos公司);Institut Pasteur(巴斯德研究所);Université Paris Cité(巴黎城市大学);Doctoral school MTCI (ED 563)(MTCI博士学院)
该研究提出两阶段模板引导的3D分子构象生成方法,结合流匹配对齐与可微优化,在新基准上优于现有对接和对齐工具,助力药物设计中的配体构象预测。
2025-10-02 cs.LG q-bio.BM
Joint Design of Protein Sequence and Structure based on Motifs
University of California Santa Barbara(加州大学圣巴巴拉分校);Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
针对蛋白质序列与结构协同设计不足的问题,本文提出 GeoPro,利用等变3D骨架编码器和几何引导序列解码器联合生成二者,并在金属蛋白数据上验证其可发现具备稳定折叠与功能潜力的新型蛋白。
2023-10-04 cs.LG q-bio.BM
SF-Cluster: Frustration-Guided MSA Subsampling for Alternative Protein Conformation Recovery
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Pennsylvania(宾夕法尼亚大学);The Chinese University of Hong Kong(香港中文大学)
提出SF-Cluster方法,利用预测的局部能量挫折模式对MSA进行子采样,以恢复替代蛋白质构象,在48个基准案例中优于AF-Cluster,尤其在变构系统中提升15.5个百分点。
2026-06-30 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
Latent periodicity of serine-threonine and tyrosine protein kinases and another protein families
我们确定了大约85%的丝氨酸/苏氨酸和酪氨酸蛋白激酶的催化结构域的潜在周期性。其他22个蛋白质结构域也得到了类似的结果。设计了噪声分解的方法,以区分相同周期长度的不同周期类型。该方法将与循环轮廓对齐结合使用,并且这种组合能够揭示潜在周期性的结构相关或功能相关模式。蛋白激酶活性位点的周期性结构的可能起源进行了讨论。总之,我们假设潜在的周期性是许多催化蛋白质结构域的共同属性。
2004-09-06 q-bio.BM
Computation Protein Design instances with small tree-width: selection based on coarse approximated 3D average position volume
本文提出了小树宽图分解计算蛋白质设计CFN实例,根据模型[1]定义,协议由Simononcini等人[2]定义。在PDB中选择了基准中使用的蛋白质(不是基于它们的生物学兴趣),以探索基于树宽分解的全局搜索方法的效率。这些实例比之前在论文[2]中提出的实例更大,具有一个骨架松弛和aka Beta 2016年11月Rosetta力场[3]。该基准包括21种选择的具有低水平序列同一性(40%)的蛋白质。这些实例是基于3D标准,通过按氨基酸(即CFN变量)应用递减平均粗体积占用过滤器来选择的。实例特征(见表1)包含130到n = 282个变量,最大域大小为383到438,成本函数在1706到6208之间。最小填充树宽度的范围为21到68,标准化树宽度的范围为0.16到0.34。这些实例已用于UDGVNS搜索算法[4]基准测试。这种方法适用于评估利用图分解概念的搜索方法。
2019-09-02 cs.CE physics.bio-ph q-bio.BM
SILVR: Guided Diffusion for Molecule Generation
本文提出SILVR方法,在不重新训练的情况下对扩散等变生成模型进行条件化,利用片段命中生成适合蛋白质结合位点的新分子,并可合并最多3个片段而不降低生成质量。
2023-04-21 q-bio.BM stat.ML
Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning
FPT Software AI Center(FPT软件人工智能中心);Indiana State University(印第安纳州立大学)
提出 TargetVAE,结合基于图 Transformer 的多模态蛋白质表示网络 PMN,无需特定口袋即可为任意蛋白质靶标生成高结合亲和力配体。
2023-08-02 cs.LG q-bio.BM
Constrained Diffusion for Protein Design with Hard Structural Constraints
University of Virginia(弗吉尼亚大学);Rutgers University(罗格斯大学)
本文提出一种受结构指导的蛋白质设计扩散框架,通过整合近可行性更新与ADMM分解,确保严格满足功能需求,同时保持立体化学和几何可行性,在复杂约束集下实现高效生成,取得最佳性能。
2026-03-25 cs.AI cs.LG q-bio.BM
Reprogramming Pretrained Language Models for Protein Sequence Representation Learning
Brown University(布朗大学);IBM Research(IBM研究院)
近年来,蛋白质学习任务的机器学习指导解决方案取得了重大进展。然而,在科学发现任务的成功是有限的定义和标记的域内数据的可访问性。为了解决低数据约束,最近对数百万个蛋白质序列进行预训练的深度学习模型的适应已经显示出了希望;然而,构建这种特定领域的大规模模型在计算上是昂贵的。在这里,我们提出了通过字典学习(R2 DL)的表示学习,这是一个端到端的表示学习框架,在这个框架中,我们为交替域任务重新编程了深度模型,这些任务可以在蛋白质属性预测上表现良好,并且训练样本显著减少。R2 DL重新编程一个预先训练的英语语言模型,通过学习英语和蛋白质序列词汇嵌入之间的稀疏线性映射来学习蛋白质序列的嵌入。我们的模型可以获得更好的准确性,并显着提高数据效率高达$10^5$倍的基线设置的预训练和标准的监督方法。为此,我们重新编程了一个现成的预先训练的英语语言Transformer,并在一组蛋白质理化预测任务(二级结构,稳定性,同源性,稳定性)以及一组生物医学相关的蛋白质功能预测任务(抗菌,毒性,抗体亲和力)上对其进行基准测试。
2023-01-05 cs.CL cs.LG q-bio.BM
CABS-flex standalone 3: an open command-line platform for protein flexibility simulation, peptide structure modeling, and protein-peptide docking
Faculty of Chemistry, Biological and Chemical Research Centre, University of Warsaw(华沙大学化学学院生物与化学研究中心)
提出CABS-flex standalone 3,一个基于CABS粗粒化模型的开放命令行平台,用于蛋白质柔性模拟、肽结构建模和蛋白质-肽对接,结合全原子重建与分析。
2026-06-24 q-bio.BM
ProtScape: A molecular structure and energy-aware representation for protein conformation generation
Yale University(耶鲁大学);Boise State University(博伊西州立大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
提出 ProtSCAPE 深度学习架构,融合几何散射变换与双重 Transformer 注意力,从 MD 模拟中学习多尺度、时间连贯的蛋白质轨迹潜在表示。
2026-10-01 cs.LG physics.chem-ph q-bio.BM
A Cubic Equation of State for Amyloid Plaque Formation
蛋白质功能取决于蛋白质结构和氨基酸(aa)序列。在这里,我们表明,结构和功能的模块化功能可以从单独的氨基酸序列的淀粉样蛋白770氨基酸前体蛋白A4量化。新的二阶亲水性尺度,基于进化优化(自组织临界性),和标准的一阶尺度,基于完整的蛋白质(水-空气)展开,产生与旋节分解成模块相关的淀粉样蛋白功能的显著特征。调幅交叉点的标志是aa序列的代数函数斜率的突变。新的标度与比标准标度低的有效温度相关联。
2014-03-05 q-bio.BM
Folding with a protein's native shortcut network
提出了一种研究蛋白质折叠的复杂网络方法。图对象是天然状态蛋白质(SCN 0)中存在的快捷边网络。虽然SCN 0是通过直观的消息传递算法(S. Milgram,Psychology Today,1967年5月。61-67),它们足够有意义,使得它们的接触顺序的对数形式(SCN0_lnCO)与蛋白质动力学速率显著相关,而不管蛋白质大小。此外,SCN 0(CSCN 0)的聚类系数可用于在受限二元碰撞模型内迭代组合蛋白质片段,以形成整个天然结构。这种简单但令人惊讶的有效策略确定了12个小的单结构域双态折叠器和三个非典型蛋白质的合理折叠途径:ACBP(非双态),Top 7(非合作)和DHFR(非单结构域,> 100个残基)。对于双状态文件夹,CSCN 0与折叠速率、过渡状态放置和稳定性有关。CSCN 0对折叠的影响延伸到非天然结构。此外,非天然结构的SCN分析可以表明快速折叠的Villin头部肽的三倍成功因素。这些结果支持了蛋白质折叠作为一个自下而上的层次结构的过程,从上面的天然状态拓扑结构的指导下,并可能促进未来的建设性的示范,这一长期持有的假说更大的蛋白质。
2017-12-13 q-bio.BM q-bio.MN
Protein Structure Prediction Using Basin-Hopping
联想记忆哈密顿结构预测潜力并不过于崎岖,从而表明它们的景观就像那些实际的蛋白质。在目前的贡献,我们展示了如何盆跳跃全局优化可以识别相应的轻度受挫的能量景观的低洼的最小值。对于小系统的盆跳跃算法成功地定位较低的最小值和构象更接近实验结构比分子动力学与模拟退火。对于大型系统的效率盆跳跃降低我们的初始实现,其中的步骤包括随机扰动的笛卡尔坐标。我们使用盆跳跃实施伞形采样,以进一步确认何时达到全局最小值。我们还通过采用生物信息学技术来减少能量表面的粗糙度或方差来改进能量表面。最后,盆地跳跃计算指导了哈密顿量排除体积的改进,产生了更好的结构。这些结果为未来的能量函数开发提供了一种新的可转移的优化方案。
2008-06-23 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
Nature of Driving Force for Protein Folding -- A Result From Analyzing the Statistical Potential
在蛋白质结构分析的统计方法中,Miyazawa和Jernigan(MJ)推导出不同类型氨基酸之间残基间接触能的$20\times 20$矩阵。利用特征值分解的方法,我们发现MJ矩阵可以从它的前两个主成分向量精确地重建为$M_{ij}=C_0+C_1(q_i+q_j)+C_2 q_i q_j$,具有恒定的$C$和与20个氨基酸相关的20个$q$值。这种规律性是由于疏水相互作用和分层力,后者服从简单液体的希尔德布兰德溶解度理论。
1997-01-05 cond-mat.stat-mech physics.bio-ph q-bio.BM