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。 摘要 从蛋白质的结构中预测其功能位点 (如小分子、其...
图4可以发现蛋白质序列和结构对于不同的任务有各自的优势，序列的表征更有利于二者结合强度预测，而结构...
蛋白互作结合位点指的是能够与其他蛋白相互作用的蛋白质上的特定区域,也称为“功能域”。 2. 蛋白互作结合位点预测方法 目前,蛋白互作结合位点预测方法主要分为四种: a. 基于结构的预测法 基于蛋白质结构分析预测蛋白质结合位点,一般来说这种方法预测效果较好。 b. 基于序列的预测法 基于蛋白质序列信息预测结合位点...
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,预测准确性有限。 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 Transf...
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...
蛋白质结合位点的识别对深入理解蛋白质的生物学功能具有重要的意义。本书致力于从描述特征、残基定义和数据筛选三个方面进行优化,从而构建蛋白质结合位点预测的有效方法,主要内容包括基于氨基酸组成偏好的配体结合口袋识别方法、使用随机森林方法进行蛋白质结合位点的预测
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...
为了解决从头binder设计问题,作者设计了一个三阶段的计算流程:i)使用MaSIF预测目标蛋白的可能结合位点;ii)基于MaSIF在包含1.4亿个patch的数据库中搜索与结合位点指纹互补的结构基序(binder seed);iii)利用Rosetta MotifGraft在scaffold数据库中搜寻包含seed结构的蛋白质,并用RosettaDesign对设计的相互作用界面进行优化,前...
引言 蛋白质发挥生物学功能主要是通过其结合表面的特定部位与其他小分子或生物大分子的相互结合。通过计算的方法预测蛋白质分子表面可能的结合位点,有利于基于蛋白质结构的计算机辅助药物设计,进而促进新药开发…
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,预测准确性有限。 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 Transf...