在最新的研究中,上海交通大学和中山大学的研究人员提出了 DeepProSite,是一种拓扑感知的 Graph Transformer 模型,它可以从蛋白质序列中生成有效的结构信息和序列信息表示,分别利用 ESMFold 和预训练的语言模型来预测蛋白质结合位点。 图示:DeepProSite 方法的整体流程。(来源:论文) 仅依靠蛋白质序列,DeepProSite 就实现...
在这里,哈尔滨工业大学的研究人员在此提出了 DrugMGR,这是一种深度多粒度药物表示模型,能够预测每个配体-靶标对的结合亲和力和区域。 通过对配体复杂的自然机制和蛋白质高级特征的多粒度表示学习,DrugMGR 几乎在所有数据集上都显著优于当前最先进的方法。并且,这是第一个同时使用图、卷积和基于注意力的信息分析蛋白质...
本发明公开了一种基于深度学习的蛋白质配体结合位点预测算法,对于待预测的蛋白质,首先提取其序列特征和距离矩阵,然后将序列特征通过滑动窗口方法分配到每个残基上,然后将残基所对应的特征逐个输入到残差神经网络和混合神经网络中,并将残差神经网络和混合神经网络的输出结果输入到Logistic回归分类器中,最终结果即为蛋白质中...
1.本发明涉及的是一种生物工程领域的技术,具体是一种基于深度学习的蛋白质 ‑ 配体结合位点预测方法。 背景技术: 2.蛋白质结构比较的目的是衡量两个不同蛋白质之间的结构相似性。对于涉及蛋白质的结构生物信息学来说,结构比较工具可以说是一种基础设施,是蛋白质结构预测,蛋白质分子对接,基于结构的蛋白质功能预测...
基于深度学习的蛋白质-配体结合位点预测方法专利信息由爱企查专利频道提供,基于深度学习的蛋白质-配体结合位点预测方法说明:一种基于深度学习的蛋白质‑配体结合位点预测方法,提取待预测蛋白质中所有残基的α碳原子在三维空间...专利查询请上爱企查
方法:本文提出了一种新的预测潜在结合位点的计算方法,称为DeepSurf。DeepSurf结合了基于表面的表示,其中在蛋白质的表面放置了许多3D体素网格,以及最先进的深度学习架构。 结果:在接受了scPDB大型数据库的培训后,DeepSurf在三个不同的测试数据集上展示了卓越的结果,超过了所有主要的基于深度学习的竞争对手,同时获得了一...
P2Rank是一个独立的命令行程序,可以从蛋白质结构预测配体结合口袋。 它无需依赖外部软件来计算复杂特征或依靠已知蛋白质-配体模板的数据库即可获得较高的预测成功率。 要求 Java 8至15 PyMOL 1.7(或更高版本)用于查看可视化效果(可选) P2Rank已在Linux,macOS和Windows上进行了测试。 在Windows上,建议使用bash控制...
[0010] 通过预先建立的蛋白质Ξ维结构中金属离子结合位点单配体残基模板库中的模 板与待预测蛋白质上的同类型残基进行匹配,W此对蛋白质Ξ维结构中金属离子结合位点 的单配体残基是否匹配进行预测; [0011] 其中,所述预先建立的蛋白质Ξ维结构中金属离子结合位点单配体残基模板库是 根据如上所述蛋白质Ξ维结构中金...
蛋白质三维结构中金属离子结合位点单配体残基模板库的建立方法及基于此的预测方法专利信息由爱企查专利频道提供,蛋白质三维结构中金属离子结合位点单配体残基模板库的建立方法及基于此的预测方法说明:一种蛋白质三维结构中金属离子结合位点单配体残基模板库的建立方法及基