通过比较多种物种中相同蛋白质的序列，识别在进化过程中高度保守的氨基酸残基。这些通常是功能性重要的残基，包括结合位点。模体搜索（Motif search）识别在已知的蛋白质-蛋白质相互作用中出现的短序列模体，并在未知蛋白中搜索这些模体。分子对接 使用计算模拟来预测两个或多个蛋白质结构如何物理上相互作用和结合。这种方...
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做...
2022年5月30日,以色列特拉维夫大学Blavatnik计算机科学学院的Haim J. Wolfson等人在Nat Methods杂志发表文章,提出了一种可解释的深度学习模型,该模型直接从原始数据中学习具有功能的结构基序 (motifs),从而可以将蛋白质结合位点和抗体表位准确地映射到蛋白质结构上。 摘要 从蛋白质的结构中预测其功能位点 (如小分子、其...
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...
图4可以发现蛋白质序列和结构对于不同的任务有各自的优势，序列的表征更有利于二者结合强度预测，而结构...
中国人民大学高瓴人工智能学院的研究团队首次将 E(3) 等变图神经网络 (GNN) 应用于配体结合位点预测,提出名为 EquiPocket 的框架,有助于药物发现等各种下游任务。 生命系统中,几乎所有生物和药理过程都涉及受体(靶蛋白)和配体(小分子)...
蛋白结合位点预测是指通过计算机算法和模型,预测蛋白质与其他分子(通常是小分子或核酸)之间结合的位置和方式。这种预测可以帮助研究人员了解蛋白质与其他分子之间的相互作用,从而更好地理解生物学过程和疾病机理。 目前,有多种方法可以进行蛋白结合位点预测,包括基于序列、结构和进化信息的方法。其中,结构基方法通常可以预...
生命系统中,几乎所有生物和药理过程都涉及受体(靶蛋白)和配体(小分子)之间的相互作用,这些相互作用发生在靶蛋白结构的特定区域,称为「结合位点」——预测靶蛋白的结合位点在药物发现等各种下游任务中起着基础性的作用。 近年来,受深度学习突破的启发,卷积神经网络 (CNN) 已经成功应用于配体结合位点预测。基于 CNN 的...
中国人民大学高瓴人工智能学院的研究团队首次将 E(3) 等变图神经网络 (GNN) 应用于配体结合位点预测,提出名为 EquiPocket 的框架,有助于药物发现等各种下游任务。 生命系统中,几乎所有生物和药理过程都涉及受体(靶蛋白)和配体(小分子)之间的相互作用,这些相互作用发生在靶蛋白结构的特定区域,称为「结合位点」——...
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...