CN106372456A - 一种基于深度学习Residue2vec的蛋白质结构预测方法 - Google Patents
一种基于深度学习Residue2vec的蛋白质结构预测方法 Download PDFInfo
- Publication number
- CN106372456A CN106372456A CN201610735964.XA CN201610735964A CN106372456A CN 106372456 A CN106372456 A CN 106372456A CN 201610735964 A CN201610735964 A CN 201610735964A CN 106372456 A CN106372456 A CN 106372456A
- Authority
- CN
- China
- Prior art keywords
- residue
- conformation
- energy
- fragment
- protein
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000455 protein structure prediction Methods 0.000 title claims abstract description 9
- 238000013135 deep learning Methods 0.000 title claims abstract description 8
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 32
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 32
- 239000012634 fragment Substances 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 229920001184 polypeptide Polymers 0.000 claims description 4
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 4
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 4
- 240000007594 Oryza sativa Species 0.000 claims 1
- 235000007164 Oryza sativa Nutrition 0.000 claims 1
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 claims 1
- 235000009566 rice Nutrition 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000003058 natural language processing Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005182 potential energy surface Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习Residue2vec的蛋白质结构预测方法，给定输入序列信息，将PDB网站上已知的蛋白质结构看成语料库进行训练，将结构已知的蛋白质分割成长度为n的残基，通过CBOW模型结合Huffman编码，获取每个残基在向量空间中的表示，通过计算残基向量之间的距离来判断残基间的相似性，从而获取查询序列每个残基位置上的前N个片段结构，构成了Residue2vec的片段库；然后对查询序列进行随机折叠构成初始构象；之后随机选取其中一个长度为n的残基，与片段库中的片段进行二面角的替换；进而比较能量，若能量减小则接收构象，若能量增大则以Metropolis准则接收构象，通过不断迭代最终获得亚稳态构象。本发明查询序列中匹配度较高、预测精度较高。
Description
技术领域
本发明涉及生物信息学、计算机应用领域，尤其涉及的是一种基于深度学习Residue2vec的蛋白质结构预测方法。
背景技术
蛋白质分子在生物细胞化学反应过程中起着至关重要的作用。它们的结构模型和生物活性状态对我们理解和治愈多种疾病有重要的意义。蛋白质只有折叠成特定的三维结构才能产生其特有的生物学功能。因此，要了解蛋白质的功能，就必须获得其三维空间结构。
蛋白质结构从头预测方法需要解决两个基本问题：(1)构建适当的能量模型来计算蛋白质内不同原子之间的相互作用；(2)发展有效算法来寻找构象空间能量的全局极小值。早期的研究重点关注发展有效算法搜索构象空间，来确定体系势能曲面的全局极小点，而随着氨基酸序列的增长，蛋白质分子体系自由度增大，在全原子力场模型上的构象空间优化成为一个极具挑战的问题。
蛋白质三级结构预测是生物信息学的一个重要任务。蛋白质构象优化问题现在面临最大的挑战是对极其复杂的蛋白质能量函数曲面进行搜索。基于物理和知识的能量模型存在一个重要问题，其捕获相邻残基间微小相互作用的能力有限。而这些微小的相互作用，主宰者蛋白质局部结构的扭转倾向。通过基于物理和知识的能量模型计算局部相互作用，可能会导致误差的积累，因而很大程度上降低获得近天然态构象的可能性。通过对PDB数据库中已知局部构象的采样，利用片段进行替换，相当于将模建的蛋白质结构从一个局部能量极小转换成另一个局部能量极小，而不用克服局部能量壁垒，一方面见笑了搜索空间，另一方面提高了计算速度。
当前有以下几种比较成功的从头预测方法：张阳与Jeffrey Skolnick合作的TASSER(Threading/Assembly/Refinement)方法、David Baker及团队设计的Rosetta方法、Shehu等设计的FeLTr方法等。但是到目前还没有一种十分完善的方法来预测蛋白质的三维结构，即使获得了很好的预测结果，但也只是针对某些蛋白质而言的，目前主要的技术瓶颈在于两个方面，第一方面在于采样方法，现有技术对构象空间采样能力不强，另一方面在于构象更新方法，现有技术对构象的更新精度仍然不足。
因此，如何构建查询序列中匹配度较高的片段库成为了亟待解决的关键问题。
发明内容
为了克服现有的蛋白质结构预测方法的查询序列中匹配度较低、预测精度较低的不足，本发明构建匹配度较高的片段库，基于自然语言处理(NLP)中词向量的思想，本发明提出一种查询序列中匹配度较高、预测精度较高的基于深度学习Residue2vec的蛋白质结构预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于深度学习Residue2vec的蛋白质结构预测方法，所述预测方法包括以下步骤：
1)给定输入序列信息；
2)构建模板库中的残基向量：
2.1)从蛋白质数据库网站上下载分辨率小于的高精度蛋白质，其中为距离单位，米；去除相似度大于预设阈值的冗余多肽链，得到非冗余蛋白质模板库；
2.2)通过滑动窗口将非冗余蛋白质模板分割为长度为n的残基；
2.3)通过CBOW模型结合Huffman编码，在神经网络中对残基模型进行建模，同时也获得残基在向量空间中的表示；
2.4)针对查询序列中每个位置上的残基，通过残基向量计算距离来判断残基间的相似性；
2.5)选取与查询序列每个残基位置上距离最近的前N个残基，构建了查询序列的片段库；
3)初始化：最大迭代次数iteration，能量函数选用Rosetta Score3，温度为T，玻尔兹曼常数为k；
4)开始迭代，设置i＝1：
4.1)通过Rosetta Score3能量函数计算构象能量为E1，随机选取构象中某一位置上长度为n的残基，随机从片段库中选一个残基片段将其替换；
4.2)计算片段替换后的残基能量E2，比较E1和E2，若E2<E1，则接收组装后的新构象，若E2>E1，则根据概率：P＝e-△E/(kT)接收构象，其中e为自然常数，△E＝E2-E1；
4.3)若构象在连续的预设次数迭代中均未改变时，则提高温度T来改变接收概率，当构象再次被接收时，温度恢复至初始值；
5)i＝i+1，并判断i是否大于设定的最大迭代次数iteration，如果不满足则转至4.1)；如果满足，则输出结果。
本发明的技术构思为：基于自然语言处理中word2vec的思想，将查询序列看成输入文本，将PDB网站上已知的蛋白质结构看成语料库进行训练，将结构已知的蛋白质分割成长度为n的残基，通过CBOW模型结合Huffman编码，获取每个残基在向量空间中的表示，通过计算残基向量之间的距离来判断残基间的相似性，从而获取查询序列每个残基位置上的前N个片段结构，构成了Residue2vec的片段库。然后对查询序列进行随机折叠构成初始构象；之后随机选取其中一个长度为n的残基，与片段库中的片段进行二面角的替换；进而比较能量，若能量减小则接收构象，若能量增大则以Metropolis准则接收构象，通过不断迭代最终获得亚稳态构象。
本发明的有益效果为：构建匹配度较高的片段库，基于自然语言处理(NLP)中词向量的思想，查询序列中匹配度较高，预测精度较高。
附图说明：
图1是测试序列3GWL在种群更新过程中RMSD和能量值的关系示意图。
图2是测试序列3GWL预测结构与实验室测定结构的三维构象示意图。
具体实施方式：
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于深度学习Residue2vec的蛋白质结构预测方法，所述构象空间优化方法包括以下步骤：
1)给定输入序列信息；
2)构建模板库中的残基向量：
2.1)从蛋白质数据库(PDB)网站上下载分辨率小于的高精度蛋白质，其中为距离单位，米；去除相似度大于预设阈值(例如30％)的冗余多肽链，得到非冗余蛋白质模板库；
2.2)通过滑动窗口将非冗余蛋白质模板分割为长度为n的残基；
2.3)通过CBOW模型结合Huffman编码，在神经网络中对残基模型进行建模，同时也获得残基在向量空间中的表示；
2.4)针对查询序列中每个位置上的残基，通过残基向量计算距离来判断残基间的相似性；
2.5)选取与查询序列每个残基位置上距离最近的前N个残基，构建了查询序列的片段库；
3)初始化：最大迭代次数iteration，能量函数选用Rosetta Score3，温度为T，玻尔兹曼常数为k；
4)开始迭代，设置i＝1：
4.1)通过Rosetta Score3能量函数计算构象能量为E1，随机选取构象中某一位置上长度为n的残基，随机从片段库中选一个残基片段将其替换；
4.2)计算片段替换后的残基能量E2，比较E1和E2，若E2<E1，则接收组装后的新构象，若E2>E1，则根据概率：P＝e-△E/(kT)接收构象，其中e为自然常数，△E＝E2-E1；
4.3)若构象在连续的预设次数(例如150次)次迭代中均未改变时，则提高温度T来改变接收概率，当构象再次被接收时，温度恢复至初始值；
5)i＝i+1，并判断i是否大于设定的最大迭代次数iteration，如果不满足则转至4.1)；如果满足，则输出结果。
本实施例以序列长度为135的蛋白质3GWL为实施例，一种基于深度学习Residue2vec的蛋白质结构预测方法，其中包含以下步骤：
1)给定输入序列信息；
2)构建模板库中的残基向量：
2.1)从蛋白质数据库(PDB)网站上下载分辨率小于的高精度蛋白质，其中为距离单位，米；去除相似度大于30％的冗余多肽链，得到非冗余蛋白质模板库；
2.2)通过滑动窗口将非冗余蛋白质模板分割为长度为n＝3的残基；
2.3)通过CBOW模型结合Huffman编码，在神经网络中对残基模型进行建模，同时也获得残基在向量空间中的表示；
2.4)针对查询序列中每个位置上的残基，通过残基向量计算距离来判断残基间的相似性；
2.5)选取与查询序列每个残基位置上距离最近的前N＝200个残基，构建了查询序列的片段库；
3)初始化：最大迭代次数iteration＝10000，能量函数选用Rosetta Score3，温度为T，玻尔兹曼常数为k；
4)开始迭代，设置i＝1：
4.1)通过Rosetta Score3能量函数计算构象能量为E1，随机选取构象中某一位置上长度为n的残基，随机从片段库中选一个残基片段将其替换；
4.2)计算片段替换后的残基能量E2，比较E1和E2，若E2<E1，则接收组装后的新构象，若E2>E1，则根据概率：P＝e-△E/(kT)接收构象，其中e为自然常数，△E＝E2-E1；
4.3)若构象在连续的150次迭代中均未改变时，则提高温度T来改变接收概率，当构象再次被接收时，温度恢复至初始值；
5)i＝i+1，并判断i是否大于设定的最大迭代次数iteration，如果不满足则转至4.1)；如果满足，则输出结果。
以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。
Claims (1)
1.一种基于深度学习Residue2vec的蛋白质结构预测方法，其特征在于：所述优化方法包括以下步骤：
1)给定输入序列信息；
2)构建模板库中的残基向量：
2.1)从蛋白质数据库网站上下载分辨率小于的高精度蛋白质，其中为距离单位，米；去除相似度大于预设阈值的冗余多肽链，得到非冗余蛋白质模板库；
2.2)通过滑动窗口将非冗余蛋白质模板分割为长度为n的残基；
2.3)通过CBOW模型结合Huffman编码，在神经网络中对残基模型进行建模，同时也获得残基在向量空间中的表示；
2.4)针对查询序列中每个位置上的残基，通过残基向量计算距离来判断残基间的相似性；
2.5)选取与查询序列每个残基位置上距离最近的前N个残基，构建了查询序列的片段库；
3)初始化：最大迭代次数iteration，能量函数选用Rosetta Score3，温度为T，玻尔兹曼常数为k；
4)开始迭代，设置i＝1：
4.1)通过Rosetta Score3能量函数计算构象能量为E1，随机选取构象中某一位置上长度为n的残基，随机从片段库中选一个残基片段将其替换；
4.2)计算片段替换后的残基能量E2，比较E1和E2，若E2<E1，则接收组装后的新构象，若E2>E1，则根据概率：P＝e-△E/(kT)接收构象，其中e为自然常数，△E＝E2-E1；
4.3)若构象在连续的预设次数迭代中均未改变时，则提高温度T来改变接收概率，当构象再次被接收时，温度恢复至初始值；
5)i＝i+1，并判断i是否大于设定的最大迭代次数iteration，如果不满足则转至4.1)；如果满足，则输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610735964.XA CN106372456B (zh) | 2016-08-26 | 2016-08-26 | 一种基于深度学习的蛋白质结构预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610735964.XA CN106372456B (zh) | 2016-08-26 | 2016-08-26 | 一种基于深度学习的蛋白质结构预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106372456A true CN106372456A (zh) | 2017-02-01 |
| CN106372456B CN106372456B (zh) | 2019-01-22 |
Family
ID=57904352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610735964.XA Active CN106372456B (zh) | 2016-08-26 | 2016-08-26 | 一种基于深度学习的蛋白质结构预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106372456B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742061A (zh) * | 2017-09-19 | 2018-02-27 | 中山大学 | 一种蛋白质相互作用预测方法、系统和装置 |
| CN108334839A (zh) * | 2018-01-31 | 2018-07-27 | 青岛清原精准农业科技有限公司 | 一种基于深度学习图像识别技术的化学信息识别方法 |
| CN109147868A (zh) * | 2018-07-18 | 2019-01-04 | 深圳大学 | 蛋白质功能预测方法、装置、设备及存储介质 |
| CN109300501A (zh) * | 2018-09-20 | 2019-02-01 | 国家卫生计生委科学技术研究所 | 蛋白质三维结构预测方法及用其构建的预测云平台 |
| CN109390033A (zh) * | 2018-08-29 | 2019-02-26 | 浙江工业大学 | 一种基于片段自适应选择的群体蛋白质结构预测方法 |
| CN109767814A (zh) * | 2019-01-17 | 2019-05-17 | 中国科学院新疆理化技术研究所 | 一种基于GloVe模型的氨基酸全局特征向量表示方法 |
| CN110033822A (zh) * | 2019-03-29 | 2019-07-19 | 华中科技大学 | 蛋白质编码方法及蛋白质翻译后修饰位点预测方法及系统 |
| CN112585686A (zh) * | 2018-09-21 | 2021-03-30 | 渊慧科技有限公司 | 确定蛋白结构的机器学习 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060006584A (ko) * | 2004-07-16 | 2006-01-19 | 아주대학교산학협력단 | 적응적인 가중치 보팅 알고리즘을 적용한 단백질 이차구조 예측 방법 |
| US20070038379A1 (en) * | 2000-03-23 | 2007-02-15 | Nagarajan Vaidehi | Method and apparatus for predicting structure of transmembrane proteins |
| CN103473482A (zh) * | 2013-07-15 | 2013-12-25 | 浙江工业大学 | 基于差分进化和构象空间退火的蛋白质三维结构预测方法 |
| CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
| CN105760710A (zh) * | 2016-03-11 | 2016-07-13 | 浙江工业大学 | 一种基于两阶段差分进化算法的蛋白质结构预测方法 |
| CN105808972A (zh) * | 2016-03-11 | 2016-07-27 | 浙江工业大学 | 一种基于谱知识从局部到全局的蛋白质结构预测方法 |
-
2016
- 2016-08-26 CN CN201610735964.XA patent/CN106372456B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070038379A1 (en) * | 2000-03-23 | 2007-02-15 | Nagarajan Vaidehi | Method and apparatus for predicting structure of transmembrane proteins |
| KR20060006584A (ko) * | 2004-07-16 | 2006-01-19 | 아주대학교산학협력단 | 적응적인 가중치 보팅 알고리즘을 적용한 단백질 이차구조 예측 방법 |
| CN103473482A (zh) * | 2013-07-15 | 2013-12-25 | 浙江工业大学 | 基于差分进化和构象空间退火的蛋白质三维结构预测方法 |
| CN103984878A (zh) * | 2014-04-08 | 2014-08-13 | 浙江工业大学 | 一种基于树搜索和片段组装的蛋白质结构预测方法 |
| CN105760710A (zh) * | 2016-03-11 | 2016-07-13 | 浙江工业大学 | 一种基于两阶段差分进化算法的蛋白质结构预测方法 |
| CN105808972A (zh) * | 2016-03-11 | 2016-07-27 | 浙江工业大学 | 一种基于谱知识从局部到全局的蛋白质结构预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUIJUN ZHANG ET AL: "A population-based conformational optimal algorithm using replica-exchange in ab-initio protein structure prediction", 《CONTROL AND DECISION CONFERENCE (CCDC)》 * |
| PIETRO DI LENA ET AL: "Divide and Conquer Strategies for Protein Structure Prediction", 《MATHEMATICAL APPROACHES TO POLYMER SEQUENCE ANALYSIS AND RELATED PROBLEMS》 * |
| 张安胜等: "基于深度学习的蛋白质二级结构预测", 《计算机仿真》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742061A (zh) * | 2017-09-19 | 2018-02-27 | 中山大学 | 一种蛋白质相互作用预测方法、系统和装置 |
| CN108334839A (zh) * | 2018-01-31 | 2018-07-27 | 青岛清原精准农业科技有限公司 | 一种基于深度学习图像识别技术的化学信息识别方法 |
| CN109147868A (zh) * | 2018-07-18 | 2019-01-04 | 深圳大学 | 蛋白质功能预测方法、装置、设备及存储介质 |
| CN109390033A (zh) * | 2018-08-29 | 2019-02-26 | 浙江工业大学 | 一种基于片段自适应选择的群体蛋白质结构预测方法 |
| CN109390033B (zh) * | 2018-08-29 | 2020-10-30 | 浙江工业大学 | 一种基于片段自适应选择的群体蛋白质结构预测方法 |
| CN109300501A (zh) * | 2018-09-20 | 2019-02-01 | 国家卫生计生委科学技术研究所 | 蛋白质三维结构预测方法及用其构建的预测云平台 |
| CN109300501B (zh) * | 2018-09-20 | 2021-02-02 | 国家卫生健康委科学技术研究所 | 蛋白质三维结构预测方法及用其构建的预测云平台 |
| CN112585686A (zh) * | 2018-09-21 | 2021-03-30 | 渊慧科技有限公司 | 确定蛋白结构的机器学习 |
| CN109767814A (zh) * | 2019-01-17 | 2019-05-17 | 中国科学院新疆理化技术研究所 | 一种基于GloVe模型的氨基酸全局特征向量表示方法 |
| CN110033822A (zh) * | 2019-03-29 | 2019-07-19 | 华中科技大学 | 蛋白质编码方法及蛋白质翻译后修饰位点预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106372456B (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106372456A (zh) | 一种基于深度学习Residue2vec的蛋白质结构预测方法 | |
| Kim et al. | Computational and artificial intelligence-based methods for antibody development | |
| Jumper et al. | Highly accurate protein structure prediction with AlphaFold | |
| Yi et al. | Graph denoising diffusion for inverse protein folding | |
| Li et al. | Deep learning methods for protein torsion angle prediction | |
| JP2022169654A (ja) | 距離マップクロップを組み合わせることによってタンパク質距離マップを決定すること | |
| Alakhdar et al. | Diffusion models in de novo drug design | |
| Wang et al. | Improved fragment sampling for ab initio protein structure prediction using deep neural networks | |
| Yaseen et al. | Template-based C8-SCORPION: a protein 8-state secondary structure prediction method using structural information and context-based features | |
| Zhou et al. | TransVAE-DTA: Transformer and variational autoencoder network for drug-target binding affinity prediction | |
| Sriwastava et al. | Predicting protein-protein interaction sites with a novel membership based fuzzy SVM classifier | |
| CN105468934B (zh) | 一种基于Bolzmann概率密度函数的蛋白质残基间距离模型构建方法 | |
| CN105808972A (zh) | 一种基于谱知识从局部到全局的蛋白质结构预测方法 | |
| WO2024102413A1 (en) | Diffusion model for generative protein design | |
| Zhang et al. | SPIN-CGNN: Improved fixed backbone protein design with contact map-based graph construction and contact graph neural network | |
| Zhao et al. | Discriminative learning for protein conformation sampling | |
| Farhoodi et al. | Predicting the effect of point mutations on protein structural stability | |
| US20230420070A1 (en) | Protein Structure Prediction | |
| Qiao et al. | NeuralPLexer3: Physio-Realistic Biomolecular Complex Structure Prediction with Flow Models | |
| Pollastri et al. | Modular dag–rnn architectures for assembling coarse protein structures | |
| Li et al. | ctP 2 ISP: Protein–Protein Interaction Sites Prediction Using Convolution and Transformer With Data Augmentation | |
| Mao et al. | Identification of residue pairing in interacting β-strands from a predicted residue contact map | |
| Arvindekar et al. | Recent methods from statistical inference and machine learning to improve integrative modeling of macromolecular assemblies | |
| Ngo et al. | Target-aware variational auto-encoders for ligand generation with multimodal protein representation learning | |
| Brylinski et al. | SPI–Structure predictability index for protein sequences |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |