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。
作者首先使用基于二氢叶酸还原酶的蛋白质互补分析(DHFR-PCA)系统地鉴定了突变和序列截断对两者相互作用的影响,使得作者可以获取两者保留结合的必要区域4.1G57和NuMA16,作者发现这两个区域中的关键残基大多是疏水性的,且间隔一个非保守残基,这种...
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,预测准确性有限。 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 Transf...
本发明公开一种蛋白质蛋白质结合亲和力的预测方法,包括:获取蛋白质蛋白质复合物的结构信息,并根据所述结构信息计算所述蛋白质蛋白质复合物中原子的表面信息和界面信息;按照氨基酸类型将所述蛋白质蛋白质复合物中原子的表面信息和界面信息进行划分;通过线性模型,非线性模型,混合模型以及神经网络模型按照所述界面信息和表面...
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,预测准确性有限。 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 Transf...
作者探究了蛋白质PiB '的晶体构象,与AlphaFold2预测的模型非常一致,结合口袋在有/无药物结合时几乎相同,侧链的相互作用与设计中预测的完全一致。回复突变了第二轮COMBS设计,均导致Kd降低了1 ~ 2个量级,说明迭代vdM搜索成功发现了具有更好结合亲和力的相互作用。作者也结合热力学对4个候选蛋白进行计算预测。作者进行全...
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...
(1)catRAPID omics,预测某个lncRNA能和哪些蛋白结合,或者反之。 进入该模块可以看到,可以从RNA入手,或者蛋白入手,进行相应的预测: 以hotair为例,进入RNA序列模块,把hotair的序列信息输入即可: 在下方输入邮箱地址,进行分析。当分析完成后,邮件会提醒分析结果完成,并提供结果链接,进入即可: 可以看到,结果中,会把高...
(1)catRAPID omics,预测某个lncRNA能和哪些蛋白结合,或者反之。 进入该模块可以看到,可以从RNA入手,或者蛋白入手,进行相应的预测: 以hotair为例,进入RNA序列模块,把hotair的序列信息输入即可: 在下方输入邮箱地址,进行分析。当分析完成后,邮件会提醒分析结果完成,并提供结果链接,进入即可: ...
(1)catRAPID omics,预测某个lncRNA能和哪些蛋白结合,或者反之。 进入该模块可以看到,可以从RNA入手,或者蛋白入手,进行相应的预测: 以hotair为例,进入RNA序列模块,把hotair的序列信息输入即可: 在下方输入邮箱地址,进行分析。当分析完成后,邮件会提醒分析结果完成,并提供结果链接,进入即可: ...