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...
双杂交系统:在酵母等模型生物中检测蛋白质之间的物理相互作用,可以间接推断结合位点。共免疫沉淀(Co-im...
1. 基于序列的预测方法:这些方法主要依赖于蛋白质的氨基酸序列信息,通过分析序列特征来预测可能的结合位...
在预测蛋白质-蛋白质/肽结合位点时,DeepProSite 在大多数指标上都优于当前基于序列和结构的方法。此外,与基于结构的预测方法相比,DeepProSite 在预测未结合结构时保持了高性能。DeepProSite 还可以扩展到核酸和其他配体结合位点的预测,验证了其泛化能力。该研究以「DeepProSite: structure-aware protein binding site ...
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——...
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...
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...
识别蛋白质的功能位点,例如蛋白质、肽或其他生物成分的结合位点,对于理解相关的生物过程和药物设计至关重要。然而,现有的基于序列的方法的预测准确性有限,因为它们只考虑序列相邻的上下文特征并且缺乏结构信息。 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 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...
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、氨基酸的极性、二级结构的组成以及形成的氢键等方面。这就为使用计算的方法预测蛋白质结合位点提供了可能。