awesome AI based protein design

基于人工智能的出色蛋白质设计

这是基于人工智能的蛋白质设计的研究论文集。并且该存储库将不断更新，以跟踪基于人工智能的蛋白质设计的前沿。

欢迎关注和star！

目录

• 基于人工智能的蛋白质设计概述/示例

• 文件

  • 自然（重要！！！ ）
  • 自然生物医学工程
  • 自然通讯
  • 自然机器智能
  • 科学
  • ICML、ICLR 或 NeurIPS 2022
  • Arxiv 或 bioRxiv
  • 其他的

• 贡献

蛋白质设计概述

人工智能工具解决了蛋白质结构预测问题。该问题从氨基酸序列中推导出空间结构，达到原子级的预测精度，例如AlphaFold 2。它结合了之前的蛋白质结构预测模型，自动学习蛋白质设计方法，从而真正服务于人类的制药需求。

蛋白质设计的具体实践差异很大，适用于不同设计过程的问题定义也有很大差异。以下是一些示例：

1. 从空间结构（Alphafold 的逆）预测氨基酸序列的问题，假设可以通过分子动力学模拟等推导出所需蛋白质的空间结构。
2. 对于给定的部分结构的蛋白质结构补全问题，比如最近著名的David Baker小组的Science[1]。这假设只能找到部分结构匹配。
3. 将拟合能量函数与MD模拟相结合进行蛋白质设计，如中国刘海燕团队最近的Nature[2]。

此外，蛋白质设计可以采用多种方法，相应的AI问题定义也有很大不同。本文列出了一些基于AI的蛋白质设计的高水平文章，未来会持续更新。

文件

 format:
- [title](paper link) [links]
  - author1, author2, and author3...
  - publisher
  - keyword

自然

• 使用 AlphaFold 3 准确预测生物分子相互作用的结构

  • 乔什·艾布拉姆森、乔纳斯·阿德勒、杰克·邓格、理查德·埃文斯、蒂姆·格林、亚历山大·普里策尔、奥拉夫·罗纳伯格、林赛·威尔莫尔、安德鲁·J·巴拉德、约书亚·班布里克、塞巴斯蒂安·W·博登斯坦、大卫·A·埃文斯、洪家俊、迈克尔·奥尼尔、大卫·雷曼、凯瑟琳·图尼亚苏瓦纳库尔、扎卡里·吴、阿克维莱泽姆古利特、Eirini Arvaniti、Charles Beattie、Ottavia Bertolli、Alex Bridgland、Alexey Cherepanov、Miles Congreve、Alexander I. Cowen-Rivers、Andrew Cowie、Michael Figurnov、Fabian B. Fuchs、Hannah Gladman、Rishub Jain、Yousuf A. Khan、Caroline MR Low、库巴·佩林、安娜·波塔彭科、帕斯卡Savy、Sukhdeep Singh、Adrian Stecula、Ashok Thillaisundaram、Catherine Tong、Sergei Yakneen、Ellen D.zhong、Michal Zielinski、Augustin Žídek、Victor Bapst、Pushmeet Kohli、Max Jaderberg、Demis Hassabis 和 John M. Jumper
  • 关键词: 基于扩散的结构, 蛋白质结构建模, 生物分子空间建模

• 用于蛋白质设计的神经网络的以骨干为中心的能量函数

  • B 黄、Y 徐、X 胡、Y 刘、S 廖、J 张、C 黄
  • 关键词: 能量函数, MD模拟, 以骨干为中心

• 通过深层网络幻觉从头设计蛋白质

  • Ivan Anishchenko、Samuel J. Pellock、Tamuka M. Chidyausiku、Theresa A. Ramelot、Sergey Ovchinnikov、Jingzhouhao、Khushboo Bafna、Christopher Norn、Alex Kang、Asim K. Bera、Frank DiMaio、Lauren Carter、Cameron M. Chow、Gaetano T. Montelione 和大卫·贝克
  • 关键词：幻觉，修复，蛋白质设计

• 仅从目标结构设计蛋白质结合蛋白

  • Longxing Cao、Brian Coventry、Inna Goreshnik、Buwei Huang、William Sheffler、Joon Sung Park、Kevin M. Jude、Iva Markovic、Rameshwar U. Kadam、Koen HG Verschueren、Kenneth Verstraete、Scott Thomas Russell Walsh、Nathaniel Bennett、Ashish Phal、艾琳·杨、丽莎·科佐多伊、米歇尔·德薇特、洛拉·皮克顿、劳伦·米勒、伊娃-玛丽亚·斯特劳奇、尼古拉斯·D·德布弗、艾莉森·皮雷斯、阿西姆·K·贝拉、萨默·哈拉比亚、布拉德利·哈默森、杨伟、史蒂芬·伯纳德、兰斯·斯图尔特、伊恩·A·威尔逊、汉内尔·罗霍拉-贝克、约瑟夫·施莱辛格、李桑源、萨瓦斯N. Savvides、K. Christopher Garcia 和 David Baker
  • 关键词： 绑定引用

自然生物医学工程

• 通过深度生成模型和分子动力学模拟加速抗菌药物的发现
  • Payel Das、Tom Sercu、Kahini Wadhawan、Inkit Padhi、Sebastian Gehrmann、Flaviu Cipcigan、Vijil Chenthamarakshan、Hendrik Strobelt、Cicero dos Santos、Pin-Yu Chen、Yi Yan Yang、Jeremy PK Tan、James Hedrick、Jason Crain 和 Aleksandra Mojsilovic
  • 关键词：抗菌药物，生成自动编码器，分子动力学

自然通讯

• 使用机器学习从头发现酶的肽底物

  • Lorillee Tallorin、JiaLei Wang、Woojoo E. Kim、Swagat Sahu、Nicolas M. Kosa、Pu Yang、Matthew Thompson、Michael K. Gilson、Peter I. Frazier、Michael D. Burkart 和 Nathan C. Gianneschi
  • 关键词：酶设计，机器学习

• ECNet 是一种用于蛋白质工程的进化上下文集成深度学习框架

  • 罗宇楠、姜广德、于天浩、刘洋、林武、丁汉天、苏宇峰、韦斯利·钱伟、赵慧敏和彭健
  • 关键词：功能适应性、进化

• 使用自回归生成模型进行蛋白质设计和变异预测

  • Jung-Eun Shin、Adam J. Riesselman、Aaron W. Kollasch、Conor McMahon、Elana Simon、Chris Sander、Aashish Manglik、Andrew C. Kruse 和 Debora S. Marks
  • 关键词：自回归生成模型，蛋白质设计

• 具有学习潜力的蛋白质序列设计

  • Namrata Anand、Raphael Eguchi、Irimpan I. Mathews、Carla P. Perez、Alexander Derry、Russ B. Altman 和 Po-Ssu Huang
  • 关键词：蛋白质设计，能量函数，深度神经网络

• 使用自回归生成模型进行蛋白质设计和变异预测

  • Jung-Eun Shin、Adam J. Riesselman、Aaron W. Kollasch、Conor McMahon、Elana Simon、Chris Sander、Aashish Manglik、Andrew C. Kruse 和 Debora S. Marks
  • 关键词：自回归生成模型，蛋白质设计

自然机器智能

• Regression Transformer 支持并发序列回归和生成以进行分子语言建模

  • 詹尼斯·博恩和马泰奥·马尼卡
  • 关键词：分子语言建模、回归、Transformer

• 利用语言模型进行可控蛋白质设计

  • 诺埃莉亚·费鲁兹 & 比尔特·霍克
  • 关键词: 语言模型, 可控, 调查

科学

• 使用 ProteinMPNN 进行基于稳健深度学习的蛋白质序列设计

  • J. Dauparas、I. Anishchenko、N. Bennett、H. Bai、RJ Ragotte、LF Milles、BIM Wicky、A. Courbet、RJ de Haas、N. Bethel、PJY Leung、TF Huddy、S. Pellock、D. Tischer 、F. Chan、B. Koepnick、H. Nguyen、A. Kang、B. Sankaran、AK Bera、NP金·D·贝克
  • 关键词：语言模型、结构预测

• 使用深度学习搭建蛋白质功能位点

  • Jue Wang、Sidney Lisanza、David Juergens、Doug Tischer、Joseph L. Watson、Karla M. Castro、Robert Ragotte、Amijai Saragovi、Lukas F. Milles、Minkyung Baek、Ivan Anishchenko、Wei Yang、Derrick R. Hicks、Marc Expòsit、 Thomas Schlichthaerle、Jung-Ho Chun、Justas Dauparas、Nathaniel Bennett、Basile IM Wicky、安德鲁·穆恩克斯、弗兰克·迪马约、布鲁诺·科雷亚、谢尔盖·奥夫钦尼科夫、大卫·贝克
  • 关键词：功能部位、深度学习、幻觉、修复

ICML、ICLR 或 NeurIPS

• 用于蛋白质复合物建模的深度强化学习

  • 高子琪、冯涛、游嘉轩、紫晨怡、周彦、张晨、李嘉
  • 关键词：蛋白质复杂结构预测，对接路径预测，策略网络，强化学习

• BERTology 遇上生物学：解释蛋白质语言模型中的注意力

  • Jesse Vig、Ali Madani、Lav R. Varshney、Caiming Xiong、Richard Socher、Nazneen Fatema Rajani
  • 关键词：语言模型、Transformer、结构和功能属性

• 作为 3D 等变图转换的条件抗体设计

  • 孔祥哲、黄文兵、刘洋
  • 关键词：抗体设计，图翻译

• 通过自适应采样调节以实现稳健的设计

  • 大卫·布鲁克斯、汉凡·帕克、詹妮弗·利斯特加滕
  • 关键词：自适应采样，蛋白质设计

• 深度生成模型创建新的、多样化的蛋白质结构

  • 林泽明、Tom Sercu、Yann LeCun
  • 关键词：多样性，生成模型，蛋白质设计

• 深度锐化拓扑特征以进行从头蛋白质设计

  • 赞德·哈特维尔德、约书亚·索南、迈克尔·德弗拉德、安德烈亚斯·卢卡斯、皮埃尔·范德根斯特、迈克尔·布朗斯坦、布鲁诺·科雷亚
  • 关键词：变分自编码器，拓扑特征，锐化

• Fold2Seq：基于联合序列（1D）-折叠（3D）嵌入的蛋白质设计生成模型

  • 曹悦、Payel Das、Vijil Chenthamarakshan、Pin-Yu Chen、Igor Melnyk、Yang Shen
  • 关键词：生成模型，蛋白质设计

• 蛋白质结构的生成模型

  • 纳姆拉塔·阿南德、Possu Huang
  • 关键词：生成模型，蛋白质设计

• 基于图的蛋白质设计的生成模型

  • 约翰·英格拉汉姆、维卡斯·加尔格、雷吉娜·巴兹莱、托米·贾科拉
  • 关键词：生成模型，蛋白质设计

• 用于生物序列设计的基于模型的强化学习

  • X克里斯托夫·安格穆勒、大卫·多汉、大卫·贝兰格、拉米亚·德什潘德、凯文·墨菲、露西·科尔威尔
  • 关键词：强化学习，序列设计

• 具有结构基序的目标蛋白结合的分子生成

  • 张在熙、闵耀森、郑树新、刘奇
  • 关键词：靶蛋白，结构基序，逐片段生成

• 通过几何结构预训练进行蛋白质表示学习

  • 张作柏、徐明浩、Arian Jamasb、Vijil Chenthamarakshan、Aurelie Lozano、Payel Das、唐健
  • 关键词：药物发现、药物设计、新分子结构生成模型

Arxiv 或 bioRxiv

• 通过进化扩散产生蛋白质：序列就是您所需要的

  • 莎拉·阿拉姆达里、尼蒂亚·塔卡、Rianne van den Berg、Alex Xijie Lu、Nicolo Fusi、Ava Pardis Amini、Kevin K Yang
  • 关键词：扩散模型，深度生成模型，蛋白质生成，框架，序列设计

• 用于生成蛋白质设计的高级编程语言

  • Brian Hie、萨尔瓦多·坎迪多、林泽明、奥里·卡贝利、Roshan Rao、尼基塔·斯梅塔宁、汤姆·塞尔库、亚历山大·里夫斯
  • 关键词：ESMFold，语言模型，基于能量

• 通过集成结构预测网络和扩散生成模型进行广泛适用且准确的蛋白质设计

  • 约瑟夫·L·沃森、大卫·尤尔根斯、纳撒尼尔·R·贝内特、布莱恩·L·特里普、贾森·伊姆、海伦·E·艾森纳赫、伍迪·埃亨、安德鲁·J·博斯特、罗伯特·J·拉戈特、卢卡斯·F·米尔斯、巴塞尔·IM·威基、尼基塔·哈尼克尔, 塞缪尔·J·佩洛克, 亚历克西斯·库尔贝, 威廉·谢夫勒, 王珏, Preetham Venkatesh, 艾萨克·萨平顿,苏珊娜·巴斯克斯·托雷斯、安娜·劳科、瓦伦丁·德博尔托利、埃米尔·马蒂厄、雷吉娜·巴兹莱、托米·S·贾科拉、弗兰克·迪马约、白敏京、大卫·贝克
  • 关键词：扩散，通用深度学习框架，从头绑定器设计

• 通过深度流形采样进行功能引导的蛋白质设计

  • 弗拉基米尔·格利戈里耶维奇、丹尼尔·贝伦贝格、史蒂芬·拉、西蒙·基洛、曹京贤
  • 关键词：序列去噪自动编码器，深度流形采样

• 语言模型的推广超越了天然蛋白质

  • 罗伯特·维尔库伊、奥里·卡贝利、杜一伦、巴塞尔·IM·威基、卢卡斯·F·米尔斯、贾斯塔斯·道帕拉斯、大卫·贝克、谢尔盖·奥夫钦尼科夫、汤姆·塞尔库、亚历山大·里夫斯
  • 关键词：ESMFold，语言模型，固定主干设计

• 进化尺度上蛋白质序列的语言模型能够实现准确的结构预测

  • 林泽明、Halil Akin、Roshan Rao、Brian Hie、朱中凯、卢文婷、Allan dos Santos Costa、Maryam Fazel-Zarandi、Tom Sercu、Sal Candido、Alexander Rives
  • 关键词：结构预测，语言模型

• TERMinator：使用三级重复基序进行基于结构的蛋白质设计的神经框架

  • Alex J. Li、Vikram Sundar、Gevorg Grigoryan、Amy E. Keating
  • 关键词：蛋白质设计，三级基序

• 语言模型的推广超越了天然蛋白质

  • 罗伯特·维尔库伊、奥里·卡贝利、杜一伦、巴塞尔·IM·威基、卢卡斯·F·米尔斯、贾斯塔斯·道帕拉斯、大卫·贝克、谢尔盖·奥夫钦尼科夫、汤姆·塞尔库、亚历山大·里夫斯
  • 关键词：语言模型，蛋白质设计

其他的

• 使用深度图神经网络快速灵活的蛋白质设计

  • Alexey Strokach、David Becerra、Carles Corbi-Verge、Albert Perez-Riba、Philip M.Kim
  • 关键词：蛋白质设计，图神经网络

• 使用自回归生成模型进行蛋白质设计和变异预测

  • Jung-Eun Shin、Adam J. Riesselman、Aaron W. Kollasch、Conor McMahon、Elana Simon、Chris Sander、Aashish Manglik、Andrew C. Kruse 和 Debora S. Marks
  • 关键词：变异预测，蛋白质设计，自回归生成模型

参考

[1] 王珏, 等. “利用深度学习搭建蛋白质功能位点。”科学 377.6604 (2022): 387-394。

[2] 黄斌，等。 “用于蛋白质设计的神经网络的以骨干为中心的能量函数。”自然 602.7897（2022）：523-528。

贡献

我们的目的是让这个仓库变得更好。如果您有兴趣贡献，请参阅此处了解贡献说明。

执照

很棒的基于人工智能的蛋白质设计是在 Apache 2.0 许可证下发布的。