Хуанг П.С., Бойкен С.Е. и Бейкер Д. Появление белкового дизайна. Природа 537320-327 (2016).
Google Академика
Кульман Б. и др. Разработка новой складки глобулярного белка с точностью на атомном уровне. Наука 3021364-1368 (2003).
Google Академика
Полицци, Н.Ф. и ДеГрадо, В.Ф. Определенная структурная единица позволяет создавать de novo белки, связывающие небольшие молекулы. Наука 3691227-1233 (2020).
Google Академика
Гаинза П. и др. Дизайн de novo белковых взаимодействий с изученными поверхностными отпечатками пальцев. Природа 617176-184 (2023).
Google Академика
Да, АХ-В. и др. Дизайн люцифераз de novo с использованием глубокого обучения. Природа 614774-780 (2023).
Google Академика
Ли Х., Хеллинг Р., Тан К. и Вингрин Н. Появление предпочтительных структур в простой модели сворачивания белка. Наука 273666-669 (1996).
Google Академика
Кульман Б. и Бейкер Д. Нативные белковые последовательности почти оптимальны для своих структур. Учеб. Натл Акад. наук. США 9710383-10388 (2000).
Google Академика
Григорян Г. и ДеГрадо В.Ф. Проектирование зондов с использованием обобщенной геометрической модели винтового луча. Дж. Мол. Биол. 4051079-1100 (2011).
Google Академика
Хуанг Б. и др. Энергетическая функция нейронных сетей, ориентированная на позвоночник, для проектирования белков. Природа 602523-528 (2022).
Google Академика
Анищенко И. и др. Дизайн белков de novo с помощью глубоких сетевых галлюцинаций. Природа 600547-552 (2021).
Google Академика
Эгучи, Р.Р., Чой, К.А. и Хуанг, П.-С. Ig-VAE: генеративное моделирование структуры белка путем прямой генерации трехмерных координат. Расчет PLoS. Биол. 18е1010271 (2022 г.).
Google Академика
Ли, Дж. С., Ким, Дж. и Ким, П.М. Генеративное моделирование на основе показателей для дизайна белков de novo. Нат. Рассчитайте. наук. 3382-392 (2023).
Google Академика
Уотсон, Дж.Л. и др. Разработка структуры и функций белка de novo с помощью RF-диффузии. Природа 6201089-1100 (2023).
Google Академика
Хо Дж., Джайн А. и Аббил П. Модели вероятностного шумоподавления. Нейронная информация. Процесс. Система. 336840-6851 (2020).
Google Академика
Чен Н. и др. Wavegrad: оценка градиента для генерации сигналов. В Учеб. Международная конференция по репрезентации обучения (ICLR, 2021).
Рамеш А., Дхаривал П., Никол А., Чу К. и Чен М. Генерация условных изображений иерархического текста со скрытыми клипами. Препринт на (2022).
Бэк, М. и др. Точное предсказание белковых структур и взаимодействий с использованием трехдорожечной нейронной сети. Наука 373871-876 (2021).
Google Академика
Ананд Н. и Ахим Т. Структура белка и генерация последовательностей с помощью вероятностных эквивариантных моделей диффузии с шумоподавлением. Препринт на (2022).
Ву, К.Е. и др. Генерация белковой структуры путем складчатой диффузии. Нат. Общий. 151059 (2022).
Триппе, Б.Л. и др. Вероятностно-диффузионное моделирование трехмерных белковых остовов для задачи построения каркасов паттернов. В Учеб. Международная конференция по репрезентации обучения (ICLR, 2023).
Ингрэм Дж. и др. Освещение белкового пространства программируемой генеративной моделью. Природа 6231070-1078 (2023).
Google Академика
Йим, Дж. и др. Диффузионная модель SE (3) с применением к генерации белкового остова. В Учеб. Международная конференция по машинному обучению (CIML, 2023).
Чжао Х., Галло О., Фрозио И. и Каутц Дж. Функции потерь для восстановления изображений с помощью нейронных сетей. IEEETrans. Рассчитайте. Визуализация 347-57 (2016).
Google Академика
Блау Ю., Мечрез Р., Тимофте Р., Михаэли Т. и Зельник-Мэнор Л. Задача PIRM 2018 по сверхразрешению перцептуальных изображений. В Учеб. Семинары Европейской конференции по компьютерному зрению (ECCV) (под ред. Леаль-Теше, Л. и Рот, С.) 334–355 (2019).
Гудфеллоу И. и др. Генеративно-состязательные сети. Общий. АКМ 63139-144 (2020).
Google Академика
Лю, Ю. и др. Дизайн белковых последовательностей без ротамеров, основанный на глубоком обучении и самосогласованности. Нат. Рассчитайте. наук. 2451-462 (2022).
Google Академика
Даупарас, Дж. и др. Надежный дизайн белковых последовательностей на основе глубокого обучения с использованием ProteinMPNN. Наука 37849-56 (2022).
Попов В., Вовк И., Гогорян В., Садекова Т., Кудинов М. Град-тц: вероятностная диффузионная модель синтеза речи. В Международная конференция по машинному обучению8599-8608 (ПМЛР, 2021 г.)
Ли, С.-Г. и др. PriorGrad: Улучшение моделей диффузии с условным шумоподавлением с помощью адаптивного априора, зависящего от данных. В Международная конференция по репрезентации обучения (ICLR, 2022).
Джампер Дж. и др. Высокоточное предсказание структуры белка с помощью AlphaFold. Природа 596583-589 (2021).
Google Академика
Ривс, А. и др. Биологическая структура и функции возникают в результате неконтролируемого обучения до 250 миллионов белковых последовательностей. Учеб. Натл Акад. наук. США 118e2016239118 (2021).
Google Академика
Силлито И. и др. CATH: увеличенный структурный охват функционального пространства. Нуклеиновые кислоты Рез. 49Д266-Д273 (2021).
Google Академика
Чжан Ю. и Сколник Дж. Функция оценки для автоматизированной оценки качества модели структуры белка. Белки 57702-710 (2004).
Google Академика
Сюй Дж. и Чжан Ю. Насколько важно сходство структуры белка при показателе TM = 0,5? Биоинформатика 26889-895 (2010).
Google Академика
Лин, Ю. и Аль Кураиши, М. Генерация новых, мыслимых и разнообразных белковых структур путем эквивариантной диффузии ориентированных облаков остатков. В Учеб. Международная конференция по машинному обучению (CIML, 2023).
ван дер Маатен Л. и Хинтон Г. Визуализация данных с использованием т-СНЭ. Дж.Мах. Узнайте разрешение. 92579-2605 (2008).
Google Академика
Ван Дж. и др. Функциональные участки каркасных белков с использованием глубокого обучения. Наука 377387-394 (2022).
Google Академика
Ли, В.К., Реньер, М.Л., Скаар, Э.П. и Мерфи, М.Е. Взъерошивание металлопорфиринов, связанных с IsdG и IsdI, двумя ферментами, разрушающими гем, в Staphylococcus aureus. Ж. Биол. Химический. 28330957-30963 (2008).
Google Академика
Скаар, Э.П., Гаспар, А.Х. и Шнеевинд, О. IsdG и IsdI, ферменты, разрушающие гем, в цитоплазме Staphylococcus aureus. Ж. Биол. Химический. 279436-443 (2004).
Google Академика
Фетикс, С.К. и др. Аллостерические эффекты онкогенного мутанта RasQ61L на Raf-RBD. Структура 23505-516 (2015).
Google Академика
Эванс Р. и др. Прогнозирование белковых комплексов с помощью AlphaFold-Multimer. Препринт на bioRxiv (2021).
Реми И., Кэмпбелл-Валуа Ф. и Михник С.В. Обнаружение межбелковых взаимодействий с использованием простого анализа комплементации фрагментов белка выживания на основе фермента дигидрофолатредуктазы. Нат. Протокол. 22120-2125 (2007).
Google Академика
Цзин Б., Эйсманн С., Суриана П., Таунсенд Р.Дж., Дрор Р. Изучение структуры белка с помощью геометрических векторных перцептронов. В Учеб. Международная конференция по репрезентации обучения (ICLR, 2021).
Ван, Г. и Данбрек, Р.Л. мл. РЫБЫ: сервер выбора белковой последовательности. Биоинформатика 191589-1591 (2003).
Google Академика
Ван, С. Исходные данные для рукописи: дизайн белка de novo с шумоподавляющей диффузионной сетью, независимой от предварительно обученных моделей прогнозирования структуры. Зенодо (2024).
Ван, С. Дизайн белка de novo с диффузионной сетью шумоподавления, независимой от предварительно обученных моделей прогнозирования структуры. Зенодо (2024).
