根据蛋白质的结构确定蛋白质的功能特性具有挑战性。 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...
深度学习技术在蛋白质结合位点预测中显示出强大的性能。例如,DeepProSite使用ESMFold生成蛋白质结构和预训...
同样 DeepProSite 方法也有某些方面还可以改进。例如,通过利用蛋白质一级序列构建异质性图,可以增强模型对不同结构预测质量的鲁棒性。此外,该方法仅限于仅根据蛋白质相关信息来识别可能的蛋白质结合残基,并且无法预测特定配体的结合模式。总之,该方法可以为研究蛋白质-蛋白质/肽结合模式、突变的致病机制和药物开发提...
蛋白质结合位点的识别对深入理解蛋白质的生物学功能具有重要的意义。本书致力于从描述特征、残基定义和数据筛选三个方面进行优化,从而构建蛋白质结合位点预测的有效方法,主要内容包括基于氨基酸组成偏好的配体结合口袋识别方法、使用随机森林方法进行蛋白质结合位点的预测和基于数据聚类的蛋白质结合位点识别,并在此基础上介绍...
我们在两个相关任务上展示了ScanNet的能力:预测蛋白质-蛋白质结合位点 (protein–protein binding sites , PPBS) 和抗体结合位点 (antibody binding sites , BCE)。ScanNet优于基于机器学习、结构同源性和基于表面的几何深度学习的基线方法。我们进一步对网络所学到的表征进行可视化和解释。我们发现它们包含已知的手工特征...
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——...
上海交通大学和中山大学的研究人员提出了 DeepProSite,用于利用蛋白质结构和序列信息来识别蛋白质结合位点。 DeepProSite首先从 ESMFold 生成蛋白质结构,并从预训练的语言模型生成序列表示。然后,它使用 Graph Transformer 并将结合位点预测制定为图节点分类。
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…
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...
通过计算的方法预测蛋白质分子表面可能的结合位点,有利于基于蛋白质结构的计算机辅助药物设计,进而促进新药开发的进程。根据蛋白质结合的配体不同,可以将蛋白质表面的结合位点分为蛋白质-蛋白质结合位点和蛋白质-配体结合位点。蛋白质结合位点的结构及氨基酸组成与其余表面都有明显的区别,这些区别主要表现在序列的保守性、...