因此作者设计了一个通用的模型DeepPBS应用于结合特异性预测任务，并通过提取蛋白质重原子的重要性评分来帮助研究人员理解蛋白质-DNA界面的相互作用。总之，DeepPBS模型不仅在预测蛋白质与DNA结合的任务中彰显了其显著的预测性能，而且为蛋白质工程和合成生物学等领域提供了宝贵的理论基础和见解。01 引言 转录因子在各种调节功能中发挥着重
因此作者设计了一个通用的模型DeepPBS应用于结合特异性预测任务,并通过提取蛋白质重原子的重要性评分来帮助研究人员理解蛋白质-DNA界面的相互作用。总之,DeepPBS模型不仅在预测蛋白质与DNA结合的任务中彰显了其显著的预测性能,而且为蛋白质工程和合成生物学等领域提供了宝贵的理论基础和见解。 01引言 转录因子在各种调节...
大家好,今天分享一篇发表在Nature Methods上的文章,文章标题“Geometric deep learning of protein–DNA binding specificity”,文章的通讯作者是来自南加州大学的Remo Rohs教授,其课题组致力于DNA结构方面的研究。 预测蛋白质与DNA的结合特异...
总之,DeepPBS模型不仅可以预测蛋白质-DNA的结合特异性,还可以优化蛋白质-DNA复合物的设计,为合成生物学和药物设计提供指导。 参考文献 Mitra R, Li J, Sagendorf J M, et al. Geometric deep learning of protein–DNA binding specificity[J]. Nature Methods, 2024: 1-10. 版权信息 本文系AIDD Pro接受的...
蛋白质与 DNA 的结合特异性预测是一项复杂但至关重要的任务,对于理解基因调控具有重要意义。通常情况下,蛋白质-DNA复合物会与特定的DNA靶位点结合,而蛋白质会以不同的结合特异性与多种DNA序列结合。为了捕捉这种信息,8月5日Nature Methods...
DeepPBS 可以提取可解释的界面残基蛋白质重原子重要性得分。当在蛋白质残基水平上聚合时，这些得分通过诱变实验进行验证。应用于针对特定 DNA 序列的设计蛋白质，DeepPBS 被证明可以预测实验测量的结合特异性。该研究以「Geometric deep learning of protein–DNA binding specificity」为题，于 2024 年 8 月 5 日发布...
南加州大学（USC）的研究人员在Nature子刊《自然方法》（Nature Methods）上发表了题为“Geometric deep learning of protein–DNA binding specificity”的文章。该研究开发了一种新型的AI模型，该模型能够准确预测不同类型的蛋白质如何与DNA结合。这个模型被称为“深度结合特异性预测器”（Deep PBS），它是一种几何...
今天给大家介绍澳大利亚Monash大学的宋江宁教授与南京理工大学的於东军教授等人在Briefings in Bioinformatics期刊上发表的文章“SAResNet:self-attention residual network for predicting DNA-protein binding”。有关DNA-蛋白质结合特异性的知识对于理解基因表达、调控和基因治疗的机制至关重要。近年来，从序列数据出发的基于...
DeepPBS 可以提取可解释的界面残基蛋白质重原子重要性得分。当在蛋白质残基水平上聚合时,这些得分通过诱变实验进行验证。应用于针对特定 DNA 序列的设计蛋白质,DeepPBS 被证明可以预测实验测量的结合特异性。 该研究以「Geometric deep learning of protein–DNA binding specificity」为题,于 2024 年 8 月 5 日发布...