跳到主要内容
检索

Leipzig University

3 篇关联报道

订阅更新
  1. researchsquare.com

    分子生成器学会“反向微调”:SemlaFlow 把含不良基序的分子占比从31.1%压到2.2%

    分子生成器常会产出反应性、金属结合、带电或干扰检测的基序,而“不含某基序”的分子在化学空间里分布很散,难以当作一个正类来学习。负外推(NE)改为在含目标基序的分子上微调,再把得到的权重更新反向施加,从而直接削弱该基序。在三维流匹配生成器 SemlaFlow 上,标准 NE 把含任一目标基序的有效分子比例从31.1%降到5.3%,却把 RDKit 有效图产率从93.9%降到65.9%;加入由无基序分子学到的修正方向后,基序比例降到2.2%,有效图产率回到88.3%,固定采样预算下的三维可用产率从60.0%升到80.8%。

  2. bioRxiv

    潜空间生成式搜索实现大规模未开发生物分子相互作用的从头设计

    该工作提出潜空间生成式搜索(latent generative search)用于结合蛋白设计,在推理阶段以奖励引导搜索驱动 Proteina-Complexa 生成模型,该模型在连续潜空间中同时协同设计序列与结构、从而省去逆向折叠步骤;在超过一百万个设计的多重噬菌体展示筛选中,它比所测试的其他方法产生更多经实验验证的结合蛋白,其协同设计序列优于事后重设计,并在治疗性受体、一种病毒附着蛋白和胞内信号靶点上获得高亲和力结合蛋白,还首次生成能结合游离碳水化合物的从头蛋白,其中一例可区分血型抗原。

  3. FEBS Letters

    勘探蛋白质设计版图:从高亲和力结合体到功能可切换蛋白

    这篇综述梳理了深度学习驱动的蛋白质设计流程,讨论了肽、小分子、结合体、疫苗与抗体等方向的定制化应用,指出当前用于筛选与评估设计的置信度指标仍针对静态蛋白界面优化、在代表性不足或构象复杂的目标上可能失效,并主张整合基于集合(ensemble)的方法有望提升设计成功率,同时强调折叠切换支架与通过工程化环肽实现的分子胶等策略可扩展设计蛋白的功能范围。

已读完全部报道