蛋白质结构预测的PLM:ESMFold ESMFold的模型架构 .实践:使用ESMFold进行高效的蛋白质结构预测, 视频播放量 2665、弹幕量 0、点赞数 24、投硬币枚数 5、收藏人数 91、转发人数 6, 视频作者 生科驿站, 作者简介 ,相关视频:AI深度学习蛋白质设计详解!基于RF diffusion实现
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。在预测蛋白质-蛋白质/肽结合位点时，DeepProSite 在大多数指...
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...
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。 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...
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。 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...
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。 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...
上海交通大学和中山大学的研究团队联合开发了一种名为DeepProSite的创新技术，该技术利用ESMFold生成蛋白质结构、预训练语言模型的序列表示，以及Graph Transformer进行蛋白质结合位点的预测。这种方法旨在解决现有技术在预测蛋白质功能位点时的局限，尤其是缺乏结构信息和序列上下文的考虑。DeepProSite通过将结合位点...