摘要：详细考察了基于HNP(H:hydrophobic,N:neutral,P:hydrophilic)模型及相对熵的蛋白质设计方法对于不同结构类型蛋白质的适用性,并与基于HP模型的结果进行了比较.通过对190个4种不同结构类型的蛋白质进行预测,结果表明,基于HNP模型及相对熵的设计方法对于不同结构类型的蛋白质具有普适性.进一步的研究发现,对于α螺旋、β折叠等规则的二级结构,该方法的预测成功率高于无规卷曲结构预测成功率.另外,还比较了对不同氨基酸的预测差异,结果显示亲水残基的预测成功率较高.此外,研究表明该方法对于蛋白质保守残基的预测成功率高于非保守残基.在以上分析的基础上,进一步讨论了导致这些差异的原因.这些研究为基于相对熵的蛋白质设计方法的实际应用和进一步的发展打下了良好基础.

摘要：为了克服双重蒙特卡罗方法用于较大分子体系及非格子模型的困难,提出了一个基于相对熵的蛋白质设计的简单方法.利用非格子模型,以16个处于天然稳定态的真实蛋白质为目标结构进行测试,成功率可达75.9％.与其他利用Monte Carlo方法搜索序列空间的方法相比,该方法更为快速有效,在很大程度上节省了对序列空间的搜索.

摘要：蛋白质设计研究所是美国华盛顿大学发起,州政府、联邦政府等支持的非营利性科研机构。自2012年成立起,该研究所抢抓人工智能驱动科学研究(AI for Science)、开放科学发展机遇,提升原始创新、技术供给和产品生成能力,现已成为全球生命科学前沿创新的关键力量。研究表明,其成功得益于深耕基础前沿先做强再做大、人工智能赋能干湿结合领跑新范式、推动创新链与产业链融合发展、发挥战略科学家定向引航作用、构建开放共享融合创新生态。借鉴其经验,中国可发挥新型举国体制优势,从聚焦顶层设计加强制度保障、立足以精立业抢占变革先机、突出市场导向集聚创新要素、坚持以人为本营造宽松环境等方面,更好地推动生命科学新型研发机构高质量发展,支撑生命科学高水平自立自强。

摘要：随着蛋白质序列及结构数据的大量累积,在获得了大量描述性信息之后如何有效利用海量数据,从已有数据中高效提取信息并且应用到下游任务当中就成为了研究者亟待解决的问题。蛋白质的设计可使新蛋白的研发不再受限于实验条件,这对药物靶点预测、新药研发和材料设计等领域具有重要意义。深度学习作为一种高效的数据特征提取方法,可以通过它对蛋白质数据进行建模,进而加入先验信息对蛋白质进行设计。故此基于深度学习的蛋白质设计就成为一个具有广阔前景的研究领域。文中主要阐述基于深度学习的蛋白质序列与结构数据的建模和设计方法。详述该方法的策略、原理、适用范围、应用实例。讨论了深度学习方法在本领域的应用前景及局限性,以期为相关研究提供参考。

摘要：给出了以疏水-亲水模型为基础的蛋白质设计方法,该方法以物理学原理为基础,以相对熵作为优化的目标函数。对四种不同结构类型的天然结构的真实蛋白质进行了检测,分析了影响检测成功率的主要因素,结果表明,该方法是普适的,可用于对不同结构类型的蛋白质设计序列。

摘要：针对图神经网络(GNN)ProteinSolver结构特征约束不充分的问题,增加了骨架二面角、配对氨基酸的相对位置编码和相对方向等结构约束,提出了一种基于GNN的固定骨架蛋白质设计方法。实现了基于Transformer多头注意力机制的GNN架构,将物理坐标添加到消息传递和更新步骤中,提高了原子坐标的等变特性。在CATH数据集上的训练和测试结果显示:该文模型平均困惑度为8.12,比ProteinSolver的平均困惑度8.97降低了0.85;在掩盖率为50%时,ProteinSolver的恢复率为28.7%;然后,增加更多的结构约束,恢复率达到了30.3%;随后,将ProteinSolver的GNN替换成基于Transformer的GNN,恢复率达到了34.3%;最后,通过再引入等变特性,恢复率进一步提高到35.0%。

摘要：发展了最近提出的一种基于相对熵原理的蛋白质设计方法.将该方法从必须满足特定的条件才能适用,推广到普遍适用.研究表明,扩展前的方法可被看作扩展后方法的特例,扩展后的采用普遍近似的蛋白质设计方法更利于蛋白质设计的研究,使基于相对熵的蛋白质设计方法更具有普遍性,同时还提高了对蛋白质序列的预测精度.

摘要：提出一个关于蛋白质设计的新的有效快速的优化方法,其实质是按照Boltz-mann分布搜索序列空间。这一方法完全基于物理学原理,在该方法中使用了相对熵的概念,并把它作为优化的目标函数。利用真实蛋白质的非格子模型对该方法进行了检验。与同类工作相比,得到了较好的结果。该方法可以作为处理蛋白质折叠和逆折叠的统一框架。

摘要：2024年诺贝尔化学奖授予了在蛋白质结构设计与预测领域作出决定性贡献的三位科学家:大卫·贝克(David Baker)、德米斯·哈萨比斯(Demis Hassabis)和约翰·朱姆珀(John ***)。本文围绕三位获奖者,主要介绍了计算结构生物学领域中蛋白质设计与预测的科学背景、主要历史挑战,以及该科学突破的发展历程和对未来的影响。

摘要：分子动力学模拟是一种通过采用计算机模拟描述分子原子在不同时间尺度的运动的方法。其在生物化学、生物物理学方面的应用日趋广泛。除了解释实验现象之外,分子动力学模拟也可以用来辅助蛋白质设计,主要通过两种途径:即提供分子间作用的结构模型和定量预测体系自由能变化。两种方法分别被用来提高酶设计的成功率和改善蛋白质的热稳定性。本文着重介绍并讨论该方法在荧光蛋白质YtVA的热稳定性设计改造中的应用。我们通过分子动力学模拟设计了13个YtVA蛋白质突变体,实验证明其中62%体现出更好的稳定性。而三突变的组合提高了该蛋白质的熔化温度达31℃,体现了该方法的可靠性。另外我们还讨论了分子动力学模拟设计蛋白质的优势和缺陷以及对未来进行了展望。