Nat Methods | 链接基因变异与蛋白质序列和结构的强大生信工具:G2P

通过利用实验解决和预测的蛋白质结构,G2P门户覆盖了99%具有相应结构的人类蛋白质。G2P具有两个模块:“基因/蛋白质查找”模块归纳了三个人类遗传变异数据库——基因组聚集数据库(gnomAD)、ClinVar和人类基因突变数据库(HGMD)的人类蛋白质变异,集合大量的人类蛋白质组资源,供用户探索转录本的遗传变异与蛋白质序...

从结构准确预测蛋白质功能,东北大学「CNN+GCN」统一框架

为了应对这些挑战,东北大学的研究人员从蛋白质结构出发,提出将卷积神经网络(CNN)和图卷积网络(GCN)结合成一个统一框架,称为双模型自适应权重融合网络(Two-modelAdaptiveWeightFusionNetwork,TAWFN),用于蛋白质功能预测。TAWFN在预测蛋白质结构功能方面表现出了良好的性能,优于现有方法。相关研究以「TAWFN...

2024化学诺奖接力青睐AI,蛋白质结构预测新工具获一半奖项

蛋白质拥有广泛的生物学功能,包括结构组分(胶原蛋白)、催化功能(酶)、调节作用(激素)、物质运输(血红蛋白)、机械收缩(肌动蛋白)、机体免疫(抗体)等,进而参与几乎所有生命过程,如分子水平的DNA复制和转录、蛋白质翻译、物质与能量代谢等,以及细胞层面的精卵融合、细胞增殖和分化、细胞凋亡和坏死、细胞衰老和细胞通信等...

中国科大建立新的蛋白质从头设计方法

目前,能够形成稳定三维结构的蛋白质,几乎全部是天然蛋白质,其氨基酸序列是长期自然进化形成。在天然蛋白结构功能不能满足工业或医疗应用需求时,想要得到特定的功能蛋白,就需要对其结构和序列进行设计。目前,国际上报道的蛋白质从头设计工作主要使用天然结构片段作为构建模块来拼接产生人工结构。然而,这种方法存在设计结果单一...

实现蛋白质动态对接预测!上海交大/星药科技/中山大学等联合推出...

如下图a所示,粉色表示蛋白质构象全息状态(holo),绿色表示初始载脂蛋白和模型预测构象,青色表示原生配体,橙色表示预测配体。DynamicBind模型示意图在每一步的迭代中,蛋白质和配体的特征以及坐标(包括sidechaintorsion、Ca原子坐标等),被输入到一个SE(3)等变交互模块(EquivariantInteractionModule)...

Nature Methods | 基因变异与蛋白质功能的动态链接:G2P平台推动...

模块划分:G2P平台由两个主要模块组成:“基因/蛋白质查询”(Gene/ProteinLookup)和“交互映射”(InteractiveMapping)(www.e993.com)2024年11月8日。这两个模块通过内部API(G2P3DAPI)实现了从基因到蛋白质的动态映射。数据整合:平台整合了多个数据库的数据资源,如gnomAD、ClinVar和HGMD,用于对基因变异的映射。同时,平台动态检索了UniProtKB...

更清晰,解析核酸、蛋白、细胞等结构,AI实现快速分子模式挖掘

图示:MiLoPYP模块概述,用于自监督细胞内容探索和半监督粒子定位。(来源:论文)经过训练后,网络可以有效地学习将形状相似的蛋白质组合在一起,同时将形状不同的蛋白质分配给远距离表示。MiLoPYP提供了三种方法来可视化学习到的嵌入:2D网格可视化、3D断层扫描可视化和3D嵌入交互会话。

AlphaFold为什么能精准预测蛋白质结构?

图2是AlphaFold2深度学习模型架构示意图。最左边的输入表示需要被预测结构的序列(inputsequence);旁边画了一个小人,代表人类的某种蛋白质。图2:AlphaFold2深度学习模型架构图丨图源:参考文献[5]接下来,这个输入序列被转换成两种不同的信息,传入后面的神经网络进行迭代和学习。第一个信息,上面的“MSA”是多序...

2024诺奖 | 他们创造了一个全新的宇宙!

在Evoformer尽可能多地解密结构部分后,它将它们传递给结构模块,结构模块会将它们组装成一个连贯的三维蛋白质。当结构模块在摆弄这些碎片时,它们继续变形。最初,它给每个氨基酸一个位置和一个方向,创建出一个无意义的、聚集在一起的物体。接着,它一步一步地旋转并移动氨基酸,但在这一步它仍然会忽略哪些是线性相...

知耕PI专辑|AlphaFold 3 预测了所有生命分子的结构和相互作用

随着AlphaFold的发展,蛋白质结构预测取得了巨大进展,该领域也随之迅速发展,并有多种后续方法建立在AlphaFold的思想和技术基础之上。几乎在AlphaFold推出后不久,就显示出简单的输入修改能够实现出人意料的准确蛋白质相互作用预测,并且专门针对蛋白质相互作用预测进行AlphaFold2的训练得到了一个高度准确的系统。