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。
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。
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…
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——...
该研究提出了CLAPE-SMB，它将预训练的蛋白语言模型与对比学习相结合，实现了高精度的小分子结合位点预测，尤其适用于没有晶体结构的蛋白质。研究人员在基于sc-PDB、JOINED和COACH420构建的非冗余SJC数据集上对CLAPE-SMB进行了训练和测试，获得了0.529的MCC。此外，基于UniProtKB数据构建的UniProtSMB数据集上，CLAPE-SMB...
二营长的芝士火锅创建的收藏夹质粒内容:预测突变对蛋白质稳定性和结合的影响-Predicting Effect of Mutation on Protein Stability and Binding,如果您对当前收藏夹内容感兴趣点击“收藏”可转入个人收藏夹方便浏览
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...
本文使用DeepPPISP预测了ID为P00268的蛋白质的集合位点，其中表格里的最后一行为已知的该蛋白质与其它蛋白质结合的位点氨基酸。本文模型几乎把所有的位点都成功预测了出来，只有两个氨基酸没有预测出来，对比于其它模型，效果不言而喻。表5. 蛋白质IDP00268的案例研究 5、总结 基于序列的PPI位点预测仍然是一个具有挑战...
一种小分子-蛋白质结合亲和力智能预测方法 热度: 一种特异性结合AFP多肽的结合蛋白、肿瘤诊断试剂盒 热度: 摘要 I 摘要 模拟和预测蛋白质/肽结合亲和力和特异性对于研究细胞生理及病理过程有着 极其重要的科学意义。本课题结合对多种蛋白质/肽结合亲和力和特异性的预测和 ...
本研究提出了CLAPE-SMB,它将预训练的蛋白语言模型与对比学习相结合,实现了高精度的小分子结合位点预测,尤其适用于没有晶体结构的蛋白质。