Потрясающий дизайн белка на основе искусственного интеллекта
Это сборник исследовательских работ по дизайну белков на основе искусственного интеллекта . Репозиторий будет постоянно обновляться, чтобы отслеживать новейшие разработки белков на основе искусственного интеллекта.
Добро пожаловать, подписывайтесь и ставьте звезды!
Оглавление
Обзор белкового дизайна
Инструменты искусственного интеллекта решили проблему прогнозирования структуры белка. Эта задача позволяет получить пространственную структуру из аминокислотной последовательности и достичь точности прогнозирования на атомном уровне, как, например, AlphaFold 2. Она объединяет предыдущие модели прогнозирования структуры белка для автоматического изучения методов проектирования белков, тем самым действительно удовлетворяя фармацевтические потребности человека.
Конкретные методы проектирования белков сильно различаются, и определения проблем, применимые к различным процессам проектирования, также сильно различаются. Вот несколько примеров:
- Проблема прогнозирования аминокислотных последовательностей на основе пространственной структуры (обратная Alphafold), которая предполагает, что пространственная структура желаемого белка может быть получена с помощью молекулярно-динамического моделирования и т. д.
- Проблема завершения структуры белка для заданной частичной структуры, такая как недавняя Science [1] знаменитой группы Дэвида Бейкера. Это предполагает, что могут быть найдены только частичные структурные совпадения.
- Комбинация подобранной энергетической функции с МД-моделированием для проектирования белков, как, например, недавняя работа Nature [2] группы Лю Хайяна в Китае.
Кроме того, для проектирования белков можно использовать множество методов, и соответствующие определения проблем ИИ также сильно различаются. В этой статье перечислены некоторые статьи высокого уровня по проектированию белков на основе искусственного интеллекта, которые будут постоянно обновляться в будущем.
Статьи
format:
- [title](paper link) [links]
- author1, author2, and author3...
- publisher
- keyword
Природа
Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 3
- Джош Абрамсон, Джонас Адлер, Джек Дангер, Ричард Эванс, Тим Грин, Александр Притцель, Олаф Роннебергер, Линдси Уиллмор, Эндрю Дж. Баллард, Джошуа Бамбрик, Себастьян В. Боденштейн, Дэвид А. Эванс, Чиа-Чун Хунг, Майкл О' Нил, Дэвид Рейман, Кэтрин Туньясувунакул, Закари Ву, Аквиле Жемгулите, Эйрини Арванити, Чарльз Битти, Оттавия Бертолли, Алекс Бриджланд, Алексей Черепанов, Майлз Конгрив, Александр И. Коуэн-Риверс, Эндрю Коуи, Майкл Фигурнов, Фабиан Б. Фукс, Ханна Гладман, Ришуб Джайн, Юсуф А. Хан, Кэролайн М.Р. Лоу, Куба Перлин, Анна Потапенко, Паскаль Сави, Сухдип Сингх, Адриан Стекула, Ашок Тиллайсундарам, Кэтрин Тонг, Сергей Якнин, Эллен Д. Чжун, Михал Зелински, Огюстен Жидек, Виктор Бапст, Пушмит Кохли, Макс Ядерберг, Демис Хассабис и Джон М. Джампер
- Ключевые слова: Архитектура на основе диффузии, Моделирование структуры белка, Моделирование биомолекулярного пространства.
Энергетическая функция нейронных сетей, ориентированная на позвоночник, для проектирования белков
- Б Хуан, И Сюй, X Ху, И Лю, С Ляо, Дж Чжан, С Хуан
- Ключевые слова: энергетическая функция, МД-моделирование, магистрально-ориентированное моделирование.
Дизайн белка de novo с помощью глубоких сетевых галлюцинаций
- Иван Анищенко, Сэмюэл Дж. Пеллок, Тамука М. Чидьяусику, Тереза А. Рамелот, Сергей Овчинников, Цзинчжоу Хао, Кхушбу Бафна, Кристоффер Норн, Алекс Канг, Асим К. Бера, Фрэнк ДиМайо, Лорен Картер, Кэмерон М. Чоу, Гаэтано Т. Монтелионе и Дэвид Бейкер
- Ключевые слова: галлюцинация, рисование, белковый дизайн.
Создание белков-связывающих белков только на основе целевой структуры
- Лунсин Цао, Брайан Ковентри, Инна Горешник, Бувэй Хуанг, Уильям Шеффлер, Джун Сунг Пак, Кевин М. Джуд, Ива Маркович, Рамешвар У. Кадам, Коэн Х.Г. Вершуерен, Кеннет Верстрете, Скотт Томас Рассел Уолш, Натаниэль Беннетт, Ашиш Фал, Эрин Янг, Лиза Козодой, Мишель ДеВитт, Лора Пиктон, Лорен Миллер, Ева-Мария Штраух, Николас Д. ДеБувер, Эллисон Пайрес, Асим К. Бера, Самер Халабия, Брэдли Хаммерсон, Вэй Янг, Штеффен Бернард, Лэнс Стюарт, Ян А. Уилсон, Ханнеле Руохола-Бейкер, Джозеф Шлессинджер, Сангвон Ли, Саввас Н. Саввидес, К. Кристофер Гарсия и Дэвид Бейкер
- Ключевые слова: обязательная цитата
Природная биомедицинская инженерия
- Ускоренное открытие противомикробных препаратов с помощью глубоких генеративных моделей и молекулярно-динамического моделирования.
- Пайел Дас, Том Серку, Кахини Вадхаван, Инкит Падхи, Себастьян Германн, Флавиу Чипсиган, Виджил Чентамаракшан, Хендрик Стробельт, Цицерон дос Сантос, Пин-Ю Чен, И Ян Ян, Джереми ПК Тан, Джеймс Хедрик, Джейсон Крейн и Александра Мойсилович
- Ключевые слова: противомикробные препараты, генеративный автоэнкодер, молекулярная динамика.
Природные коммуникации
Открытие de novo пептидных субстратов для ферментов с помощью машинного обучения
- Лорилли Таллорин, Цзиалей Ван, Вуджу Э. Ким, Свагат Саху, Николас М. Коса, Пу Ян, Мэтью Томпсон, Майкл К. Гилсон, Питер И. Фрейзер, Майкл Д. Буркарт и Натан К. Джаннески
- Ключевые слова: дизайн ферментов, машинное обучение.
ECNet — это эволюционная контекстно-интегрированная среда глубокого обучения для белковой инженерии.
- Юнань Ло, Гуандэ Цзян, Тяньхао Ю, Ян Лю, Лам Во, Хантянь Дин, Юфэн Су, Уэсли Вэй Цянь, Хуйминь Чжао и Цзянь Пэн
- Ключевые слова: функциональная приспособленность, эволюционный.
Дизайн белка и прогнозирование вариантов с использованием авторегрессионных генеративных моделей
- Юнг-Ын Шин, Адам Дж. Риссельман, Аарон В. Коллаш, Конор МакМахон, Элана Саймон, Крис Сандер, Аашиш Манглик, Эндрю К. Круз и Дебора С. Маркс
- Ключевые слова: авторегрессионные генеративные модели, белковый дизайн.
Дизайн белковой последовательности с изученным потенциалом
- Намрата Ананд, Рафаэль Эгучи, Иримпан И. Мэтьюз, Карла П. Перес, Александр Дерри, Расс Б. Альтман и По-Су Хуанг
- Ключевые слова: белковый дизайн, энергетическая функция, глубокая нейронная сеть.
Дизайн белка и прогнозирование вариантов с использованием авторегрессионных генеративных моделей
- Юнг-Ын Шин, Адам Дж. Риссельман, Аарон В. Коллаш, Конор МакМахон, Элана Саймон, Крис Сандер, Аашиш Манглик, Эндрю К. Круз и Дебора С. Маркс
- Ключевые слова: авторегрессионные генеративные модели, белковый дизайн.
Природа Машинный интеллект
Наука
ICML, ICLR или NeurIPS
Глубокое обучение с подкреплением для моделирования белковых комплексов
- Цзыци Гао, Тао Фэн, Цзясюань Ю, Ченьи Цзы, Ян Чжоу, Чэнь Чжан, Цзя Ли
- Ключевые слова: предсказание структуры белкового комплекса, предсказание пути стыковки, политическая сеть, обучение с подкреплением.
BERTология встречается с биологией: интерпретация внимания в моделях белкового языка
- Джесси Виг, Али Мадани, Лав Р. Варшни, Кайминг Сюн, Ричард Сочер, Назнин Фатема Раджани
- Ключевые слова: языковая модель, преобразователь, структурно-функциональное свойство.
Условный дизайн антител как трансляция 3D-эквивариантного графа
- Сянчжэ Конг, Вэньбин Хуан, Ян Лю
- Ключевые слова: дизайн антител, трансляция графов.
Кондиционирование путем адаптивной выборки для надежной конструкции
- Дэвид Брукс, Ханбом Парк, Дженнифер Листгартен
- Ключевые слова: адаптивный отбор проб, белковый дизайн.
Глубокие генеративные модели создают новые и разнообразные белковые структуры
- Земин Лин, Том Серку, Ян ЛеКун
- Ключевые слова: разнообразие, генеративная модель, белковый дизайн.
Глубокое уточнение топологических особенностей для дизайна белков de novo
- Зандер Хартевельд, Джошуа Саузерн, Микаэль Дефферрард, Андреас Лукас, Пьер Вандергейнст, Михал Бронштейн, Бруно Коррейя
- Ключевые слова: вариационный автоэнкодер, топологические особенности, повышение резкости.
Fold2Seq: генеративная модель совместной последовательности (1D)-Fold (3D) на основе встраивания для дизайна белков
- Юэ Цао, Пайел Дас, Виджил Чентамаракшан, Пин-Ю Чен, Игорь Мельник, Ян Шен
- Ключевые слова: генеративная модель, белковый дизайн.
Генеративное моделирование белковых структур
- Намрата Ананд, Поссу Хуанг
- Ключевые слова: генеративная модель, белковый дизайн.
Генеративные модели для проектирования белков на основе графов
- Джон Ингрэм, Викас Гарг, Регина Барзилай, Томми Яаккола
- Ключевые слова: генеративная модель, белковый дизайн.
Обучение с подкреплением на основе моделей для проектирования биологических последовательностей
- XКристоф Ангермюллер, Дэвид Дохан, Дэвид Белэнджер, Рамья Дешпанде, Кевин Мерфи, Люси Колвелл
- Ключевые слова: обучение с подкреплением, дизайн последовательности.
Генерация молекул для связывания целевого белка со структурными мотивами
- Цзайси Чжан, Яосень Минь, Шусинь Чжэн, Ци Лю
- Ключевые слова: белок-мишень, структурные мотивы, пофрагментная генерация.
Обучение представлению белков посредством предварительной тренировки геометрической структуры
- Цзобай Чжан, Минхао Сюй, Ариан Джамасб, Виджил Чентамаракшан, Орели Лозано, Пайел Дас, Цзянь Тан
- Ключевые слова: открытие лекарств, дизайн лекарств, генеративные модели новых молекулярных структур.
Arxiv или bioRxiv
Генерация белков с помощью эволюционной диффузии: последовательность — это все, что вам нужно
- Сара Аламдари, Нитья Таккар, Рианна ван ден Берг, Алекс Сиджи Лу, Николо Фуси, Ава Пардис Амини, Кевин К. Янг
- Ключевые слова: диффузионная модель, глубокая генеративная модель, генерация белка, каркас, дизайн последовательности.
Язык программирования высокого уровня для генеративного проектирования белков.
- Брайан Хи, Сальваторе Кандидо, Земинг Лин, Ори Кабели, Рошан Рао, Никита Сметанин, Том Серку, Александр Райвс
- Ключевые слова: ESMFold, языковая модель, энергетический
Широко применимый и точный дизайн белков за счет интеграции сетей прогнозирования структуры и диффузионно-генеративных моделей.
- Джозеф Л. Уотсон, Дэвид Юргенс, Натаниэль Р. Беннетт, Брайан Л. Трипп, Джейсон Йим, Хелен Э. Эйзенах, Вуди Ахерн, Эндрю Дж. Борст, Роберт Дж. Раготт, Лукас Ф. Миллес, Бэзил М. Вики, Никита Ханикель , Сэмюэл Дж. Пеллок, Алексис Курбе, Уильям Шеффлер, Джу Ван, Притам Венкатеш, Исаак Саппингтон, Сусана Васкес Торрес, Анна Лауко, Валентин Де Бортоли, Эмиль Матье, Регина Барзилай, Томми С. Яаккола, Фрэнк ДиМайо, Минкьюнг Пэк, Дэвид Бэйкер
- Ключевые слова: распространение, общая структура глубокого обучения, дизайн связующего de novo.
Функционально-ориентированный дизайн белка путем отбора проб в глубоком коллекторе
- Владимир Глигоревич, Дэниэл Беренберг, Стивен Ра, Саймон Келоу, Кёнхён Чо
- Ключевые слова: автоэнкодер с шумоподавлением последовательности, выборка глубокого многообразия.
Языковые модели выходят за рамки природных белков
- Роберт Веркуил, Ори Кабели, Илун Ду, Базиль И.М. Вики, Лукас Ф. Миллес, Юстас Даупарас, Дэвид Бэйкер, Сергей Овчинников, Том Серку, Александр Ривс
- Ключевые слова: ESMFold, языковая модель, конструкция фиксированной магистральной сети.
Языковые модели белковых последовательностей в масштабе эволюции позволяют точно предсказывать структуру
- Цзэминг Линь, Халил Акин, Рошан Рао, Брайан Хи, Чжункай Чжу, Вентинг Лу, Аллан дос Сантос Коста, Марьям Фазель-Заранди, Том Серку, Сал Кандидо, Александр Райвс
- Ключевые слова: предсказание структуры, языковая модель.
TERMinator: нейронная система для структурного проектирования белков с использованием третичных повторяющихся мотивов
- Алекс Дж. Ли, Викрам Сундар, Геворг Григорян, Эми Э. Китинг
- Ключевые слова: белковый дизайн, третичные мотивы.
Языковые модели выходят за рамки природных белков
- Роберт Веркуил, Ори Кабели, Илун Ду, Базиль И.М. Вики, Лукас Ф. Миллес, Юстас Даупарас, Дэвид Бэйкер, Сергей Овчинников, Том Серку, Александр Ривс
- Ключевые слова: языковая модель, белковый дизайн.
Другие
Ссылка
[1] Ван, Цзюэ и др. «Создание функциональных участков белка с использованием глубокого обучения». Наука 377.6604 (2022): 387-394.
[2] Хуанг, Бинь и др. «Основно-ориентированная энергетическая функция нейронных сетей для проектирования белков». Природа 602.7897 (2022): 523-528.
Содействие
Наша цель — сделать это репо еще лучше. Если вы заинтересованы в том, чтобы внести свой вклад, пожалуйста, обратитесь ЗДЕСЬ за инструкциями по внесению вклада.
Лицензия
потрясающий дизайн белка на основе искусственного интеллекта выпущен под лицензией Apache 2.0.
