近日,清华大学药学院田博学课题组研究提出了一个基于蛋白质语言模型和对比学习的蛋白质-小分子结合位点预测模型(CLAPE-SMB),并整理了蛋白质-小分子结合位点数据集UniProtSMB,发现该模型在UniProtSMB的测试集上达到了0.699的MCC,优于其他模型。与基于结构的预测方法相比,CLAPE-SMB特别适用于缺乏精确实验结构的蛋白...
DeepProSite 使用 ESMFold 生成蛋白质结构和预训练语言模型生成序列表示,通过图转换器(Graph Transformer)将结合位点预测转化为图节点分类问题。在预测蛋白质-蛋白质/肽结合位点方面,DeepProSite 在多数指标上优于现有的序列和结构基方法。 此外,与竞争对手的结构基预测方法相比,DeepProSite 在预测未结合结构时保持了性能。
导读DeepProSite 的研究动机在于蛋白质功能位点(如蛋白质、肽或其他生物组分的结合位点)的识别对理解相关生物过程和药物设计至关重要。 然而,现有基于序列的方法由于只考虑序列相邻的上下文特征且缺乏结构信息…
DeepProSite 使用 ESMFold 生成蛋白质结构和预训练语言模型生成序列表示,通过图转换器(Graph Transformer)将结合位点预测转化为图节点分类问题。在预测蛋白质-蛋白质/肽结合位点方面,DeepProSite 在多数指标上优于现有的序列和结构基方法。 此外,与竞争对手的结构基预测方法相比,DeepProSite 在预测未结合结构时保持了性能。
ppi一般是在具有化学和几何互补性的蛋白质分子表面之间形成的而互补性特征的出现是范德华相互作用几何互补性疏水效应和静电相互作用化学互补性这些因素对稳定ppi贡献的结果因此用包含了这些特征的描述符来表示蛋白质将有利于互补表面片段的可靠识别 【蛋白设计】基于表面指纹的蛋白质结合位点预测和binder设计 ——背景——...
DeepProSite 是一项创新研究,致力于解决蛋白质结合位点预测的挑战。研究发现,传统基于序列的方法仅考虑相邻上下文特征,缺乏结构信息,导致预测准确性受限。为解决这一问题,DeepProSite 研发了一种集成 ESMFold 和预训练语言模型的策略,通过图转换器将结合位点预测转化为图节点分类任务。在预测蛋白质-蛋白质...
结合位点预测 作者预先训练了一个称为MaSIF-site的模型,以蛋白质表面指纹为输入,输出每个表面顶点参与PPI的可能性预测分数,在包含12002个有共结晶结构的蛋白质的数据集上进行了训练和测试。 互补binder seed搜寻 基于MaSIF,可以发生相互作用的两个patch指纹描述符应该互补。文章中判断指纹互补的方式为:对其中一个patch...
通过准确地预测蛋白和氨基酸的结合位点,可以帮助科研人员理解蛋白质的功能及其在生物体内的作用机制。同时,这也有助于药物设计和疾病治疗方面的应用。因此,蛋白和氨基酸结合位点预测具有重要的科学研究和应用价值。 本文将深入探讨目前蛋白和氨基酸结合位点预测方法的现状和局限性,同时也会介绍一些新的研究方向和方法。通过...
总模型图里关于TextCNN的补充:除了局部上下文特征,全局序列特征也在PPI结合位点预测中至关重要。文本卷积神经网络(TextCNN)可以捕捉蛋白质序列的全局特征。传统CNN通常用于二维图像数据的特征提取。近年来,一些研究者开始使用CNN来处理文本。这种做法的中心思想是文本可以被视为一维图像。因此,一维CNN可以用捕捉这种...
Bio MetAll可以:1)高效地预测具有特定氨基酸基序的金属结合位点,即使对于非经典的金属配位氨基酸和骨架原子也是如此;2)确定结构中需要构象变化才能达到完全配位球的瞬时金属结合位点,这可能与金属扩散途径有关;3)预测现有蛋白质的潜在突变,以产生方便的金属结合位点。这种新方法可以为金属酶和金属药设计等领域的未来发展...