m0_51440939的博客

该文介绍了蛋白质结构预测中的两个关键概念：1）diffused residue frames，指用4×4矩阵表示氨基酸空间信息的加噪残基坐标系；2）self-conditioning（自条件化），指在扩散模型中利用上一轮预测结果指导当前去噪过程的技术。作者阐述了自条件化如何通过逐步优化结构和利用上下文信息，提高蛋白质结构预测的准确性。文章是作者的学习笔记，旨在分享知识并欢迎指正。

本文分享了蛋白质计算相关的基础概念和学习心得。主要内容包括：1）蛋白质适应度景观（Proteinfitnesslandscapes）和构象景观（conformationallandscapes）模型；2）语言模型（LLM/PLM）在蛋白质设计中的应用；3）蛋白质翻译后修饰（PTMs）的功能调控作用；4）扩散模型中的前向加噪和反向去噪过程；5）SE(3)/E(3)等变网络的结构特性；6）蛋白质接触图（Contactmaps）等基础知识。作者希望通过这些概念整理帮助他人学习，并欢迎指正与补充。

本文介绍了蛋白质结构预测和设计中的几个关键指标：pLDDT（预测局部距离差异测试分数）用于评估残基预测可靠性（0-100分）；scRMSD（自一致性均方根偏差）衡量主链结构可设计性（＜2Å为可设计）；ddG（自由能差异）评估突变对蛋白质稳定性的影响。文章还提及Pred-ddG神经网络和FoldX力场两种计算方法。这些指标为蛋白质结构分析和设计提供了重要参考标准。

本文介绍了利用深度神经网络trRosetta设计新型蛋白质的方法。通过蒙特卡洛采样优化随机氨基酸序列，使预测的残基距离分布与背景分布差异最大化（KL散度），最终生成129种全新"幻觉"蛋白质。实验证实其中27种具有稳定结构，3种解析的结构与预测模型高度吻合。文章详细解释了DeepDream、MCMC等关键技术概念，并提供了相关数据下载链接（2000个设计蛋白序列、trDesign代码包等）。这项研究展示了深度学习在蛋白质从头设计中的应用潜力，为开发新型功能蛋白提供了新思路。

本文介绍了基于深度学习的蛋白质序列设计方法ProteinMPNN，并对比了其与传统方法Rosetta的性能差异。ProteinMPNN在天然蛋白质主链上实现了52.4%的序列回收率，显著优于Rosetta的32.9%。文章详细解释了相关术语，包括Rosetta软件套件、MPNN图神经网络模型、PDB数据库等核心概念，以及X射线晶体学、冷冻电镜等实验技术。通过实验验证，ProteinMPNN能有效挽救Rosetta或AlphaFold的失败设计案例，在蛋白质单体、多聚体等设计场景中表现出色。该方法大幅提高了序