awesome-AI-based-protein-design

awesome-AI-based-protein-design

AI蛋白质设计研究前沿资源汇总

本资源库汇集了AI驱动蛋白质设计领域的前沿研究成果,包括来自Nature、Science等顶级期刊的重要论文。内容涵盖概述、方法论和应用等多个方面,按类别进行组织。资源库持续更新,跟踪该领域最新进展,为研究人员提供参考。探索AI在蛋白质设计中的创新应用,关注这一不断发展的交叉学科领域。

蛋白质设计人工智能深度学习生成模型结构预测Github开源项目

基于人工智能的蛋白质设计精选

这是一个关于基于人工智能的蛋白质设计的研究论文集。 该仓库将持续更新,以跟踪基于人工智能的蛋白质设计的前沿进展。

欢迎关注和点赞!

目录

蛋白质设计概述

人工智能工具已经解决了蛋白质结构预测问题。这个问题从氨基酸序列推导出空间结构,并达到了原子级别的预测精度,例如AlphaFold 2。它结合了之前的蛋白质结构预测模型,自动学习蛋白质设计方法,从而真正服务于人类的制药需求。

图片信息1 图片信息2

蛋白质设计的具体实践方式多种多样,适用于不同设计过程的问题定义也大不相同。以下是一些例子:

  1. 从空间结构预测氨基酸序列的问题(Alphafold的逆问题),这假设可以通过分子动力学模拟等方法推导出所需蛋白质的空间结构。
  2. 对给定部分结构的蛋白质结构完成问题,如著名的David Baker团队最近在Science上发表的论文[1]。这假设只能找到部分结构匹配。
  3. 将拟合的能量函数与MD模拟相结合进行蛋白质设计,如中国刘海燕团队最近在Nature上发表的论文[2]。

此外,许多方法可用于蛋白质设计,相应的人工智能问题定义也大不相同。本文列出了一些基于人工智能的蛋白质设计的高水平文章,未来将持续更新。

论文

格式:
- [标题](论文链接) [链接]
  - 作者1、作者2和作者3...
  - 发表方
  - 关键词

Nature

  • 使用AlphaFold 3精确预测生物分子相互作用的结构

    • Josh Abramson、Jonas Adler、Jack Dunger、Richard Evans、Tim Green、Alexander Pritzel、Olaf Ronneberger、Lindsay Willmore、Andrew J. Ballard、Joshua Bambrick、Sebastian W. Bodenstein、David A. Evans、Chia-Chun Hung、Michael O'Neill、David Reiman、Kathryn Tunyasuvunakool、Zachary Wu、Akvilė Žemgulytė、Eirini Arvaniti、Charles Beattie、Ottavia Bertolli、Alex Bridgland、Alexey Cherepanov、Miles Congreve、Alexander I. Cowen-Rivers、Andrew Cowie、Michael Figurnov、Fabian B. Fuchs、Hannah Gladman、Rishub Jain、Yousuf A. Khan、Caroline M. R. Low、Kuba Perlin、Anna Potapenko、Pascal Savy、Sukhdeep Singh、Adrian Stecula、Ashok Thillaisundaram、Catherine Tong、Sergei Yakneen、Ellen D. Zhong、Michal Zielinski、Augustin Žídek、Victor Bapst、Pushmeet Kohli、Max Jaderberg、Demis Hassabis 和 John M. Jumper
    • 关键词:基于扩散的架构、蛋白质结构建模、生物分子空间建模
  • 用于蛋白质设计的以骨架为中心的神经网络能量函数

    • B Huang、Y Xu、X Hu、Y Liu、S Liao、J Zhang、C Huang
    • 关键词:能量函数、MD模拟、以骨架为中心
  • 通过深度网络幻觉进行从头蛋白质设计

    • Ivan Anishchenko、Samuel J. Pellock、Tamuka M. Chidyausiku、Theresa A. Ramelot、Sergey Ovchinnikov、Jingzhou Hao、Khushboo Bafna、Christoffer Norn、Alex Kang、Asim K. Bera、Frank DiMaio、Lauren Carter、Cameron M. Chow、Gaetano T. Montelione 和 David Baker
    • 关键词:幻觉、修复、蛋白质设计
  • 仅从目标结构设计蛋白质结合蛋白

    • Longxing Cao、Brian Coventry、Inna Goreshnik、Buwei Huang、William Sheffler、Joon Sung Park、Kevin M. Jude、Iva Marković、Rameshwar U. Kadam、Koen H. G. Verschueren、Kenneth Verstraete、Scott Thomas Russell Walsh、Nathaniel Bennett、Ashish Phal、Aerin Yang、Lisa Kozodoy、Michelle DeWitt、Lora Picton、Lauren Miller、Eva-Maria Strauch、Nicholas D. DeBouver、Allison Pires、Asim K. Bera、Samer Halabiya、Bradley Hammerson、Wei Yang、Steffen Bernard、Lance Stewart、Ian A. Wilson、Hannele Ruohola-Baker、Joseph Schlessinger、Sangwon Lee、Savvas N. Savvides、K. Christopher Garcia 和 David Baker
    • 关键词:结合位点

Nature Biomedical Engineering

  • 通过深度生成模型和分子动力学模拟加速抗菌剂的发现
    • Payel Das、Tom Sercu、Kahini Wadhawan、Inkit Padhi、Sebastian Gehrmann、Flaviu Cipcigan、Vijil Chenthamarakshan、Hendrik Strobelt、Cicero dos Santos、Pin-Yu Chen、Yi Yan Yang、Jeremy P. K. Tan、James Hedrick、Jason Crain 和 Aleksandra Mojsilovic
    • 关键词:抗菌剂、生成自编码器、分子动力学

Nature Communications

Nature Machine Intelligence

Science

  • 使用ProteinMPNN进行稳健的深度学习蛋白质序列设计

    • J. Dauparas, I. Anishchenko, N. Bennett, H. Bai, R. J. Ragotte, L. F. Milles, B. I. M. Wicky, A. Courbet, R. J. de Haas, N. Bethel, P. J. Y. Leung, T. F. Huddy, S. Pellock, D. Tischer, F. Chan, B. Koepnick, H. Nguyen, A. Kang, B. Sankaran, A. K. Bera, N. P. King, D. Baker
    • 关键词:语言模型、结构预测
  • 使用深度学习构建蛋白质功能位点支架

    • Jue Wang, Sidney Lisanza, David Juergens, Doug Tischer, Joseph L. Watson, Karla M. Castro, Robert Ragotte, Amijai Saragovi, Lukas F. Milles, Minkyung Baek, Ivan Anishchenko, Wei Yang, Derrick R. Hicks, Marc Expòsit, Thomas Schlichthaerle, Jung-Ho Chun, Justas Dauparas, Nathaniel Bennett, Basile I. M. Wicky, Andrew Muenks, Frank DiMaio, Bruno Correia, Sergey Ovchinnikov, David Baker
    • 关键词:功能位点、深度学习、幻觉、修复

ICML、ICLR或NeurIPS

Arxiv 或 bioRxiv

其他

参考文献

[1] Wang, Jue, et al. "使用深度学习搭建蛋白质功能位点"。Science 377.6604 (2022): 387-394.

[2] Huang, Bin, et al. "用于蛋白质设计的以骨架为中心的神经网络能量函数"。Nature 602.7897 (2022): 523-528.

贡献

我们的目标是使这个仓库变得更好。如果您有兴趣贡献,请参考这里的贡献指南。

许可证

基于人工智能的蛋白质设计精选集在 Apache 2.0 许可下发布。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多