药研猿的博客

构象型B细胞表位是由空间相邻但序列不连续的氨基酸残基组成的抗原决定簇，其预测具有挑战性。epitope3D提出基于图结构特征的机器学习方法，将蛋白质表位建模为图并提取空间距离模式，提升识别准确性。该工具支持PDB文件上传或ID输入，提供三维交互式结果展示。研究发表于《Briefings in Bioinformatics》（2022），doi:10.1093/bib/bbab423。访问地址：https://biosig.lab.uq.edu.au/epitope3d/prediction。

字数 1071，阅读大约需 5 分钟在蛋白质结构预测领域，随着 AlphaFold 等技术使预测精度大幅提升，蛋白质结构模型质量评估的重要性愈发凸显。它宛如严格 “质检员”，借助计算分析全面 “体检” 预测结构与真实结构的契合度。鉴于此，浙江工业大学的张贵军团队开发了Web工具。在高通量结构建模背景下，它聚焦蛋白质模型质量评估核心需求，为蛋白质单体及复合物结构的全维度质量评估提供精准可靠的自动化筛选方案，在药物研发、疾病机理研究、合成生物学等多领域意义重大，能有效推动相关研究进展。

江南大学团队在《International Journal of Biological Macromolecules》发表研究，通过多维计算策略提升米曲霉α-半乳糖苷酶的热稳定性与催化效率。研究采用双策略框架：一是整合ABACUS2、PROSS等计算工具设计突变库，筛选出优势突变体A169P，显著提升热半衰期和催化效率；二是结合分子动力学与机器学习，筛选出E429I、N380L、T64P三个稳定变体，进一步优化酶性能。研究揭示了局部构象优化与疏水作用增强的关键机制，并通过底物特异性与动力学分析验证了突变体的

本文介绍了在分子可视化软件中处理蛋白质和配体的步骤。首先，导入PDB文件，并通过命令行更改背景色为白色。接着，调整蛋白质的显示样式，包括启用柔光模式、轮廓线及设置其宽度，以及开启蛋白质表面显示并设置透明度和颜色。对于配体，通过快捷键选择并调整其显示样式。最后，选择配体所在链及其周围残基，并设置颜色。文章还提到了展示整体图和配体结合区域细节图的效果。

这四个模块从微观相互作用到全局结构布局，提供了丰富的数据与可视化支持，可以帮助我们更深入地理解蛋白质的稳定性、功能调控及相互作用机制。Schmidt S;

TmDet 4.0 是一款全新升级的跨膜蛋白膜方向预测网络服务器。它的算法经过优化，采用模块化设计，运用 C++ 编写，并借助 Gemmi 和 PugiXML 等库。其核心算法基于几何方法，同时在多方面进行了改进，如使用新的权重计算目标函数，将二级结构元素视为向量等，还能处理弯曲膜定位问题。与其他服务器相比，TmDet 4.0 速度更快，且对不完整或低分辨率结构也能给出准确结果，还能提供每个结构元素的序列定位信息。

蛋白质结构预测一直是极为重要的领域。过去几年，AlphaFold2、AlphaFold3、RoseTTAFold 等 AI 工具的出现，彻底改写了蛋白质结构预测的剧本，如今，科研人员只需简单点击几下，就能生成一个看似完美的蛋白质三维模型，这大大提高了研究效率。是否存在更优的备选结构被我们遗漏？面对不同 AI 工具的预测结果，又该如何高效比较、合理筛选？别担心，今天要为大家介绍的主角 ——FoldScript，正是为解决这些核心痛点而生！FoldScript。

GeoFlow-V2 性能表现出色。在蛋白质结构预测方面，抗体 - 抗原结构预测的 Top-1 DockQ 成功率达 45.19% ，超越众多对比方法（如AlphaFold 3, Protenix, Chai-1, Boltz），且约束条件能显著提升其性能；蛋白质 - 配体结构预测成功率为 77%；其轻量级变体在超快速抗体结构预测上，比 AlphaFold Multimer V2.3 快 150-250 倍，精度相当或更优。

这是一个旨在重现 AlphaFold3 并推动生物分子结构预测发展的，通过改进方法、提高模型性能和增强可及性，为跨学科研究提供支持。在不同分子类型的结构预测中表现出色，与 Alphafold3、Alphafold-Multimer 2.3 和 RoseTTAFold2NA 相比，Protenix 在预测蛋白质-配体、蛋白质-核酸等复合物结构上有较强性能。

•不足之处：许多生成的模型对接不正确，ESMFold 的对接准确性有待进一步提高。•意义：ESMFold 在蛋白质-肽对接中能产生可接受的模型，偶尔优于 AlphaFold 系列工具，且速度快，在高通量肽设计的一致性方法中有潜在价值；其利用序列嵌入和识别关键结合基序的能力，为蛋白质-肽对接研究提供了新方向，后续发展有望成为现有方法的有力补充，推动基于肽的治疗药物开发。

今天向大家介绍一款名为FoldX的学术免费软件，在它众多功能中，氨基酸扫描突变我认为是最实用的，今天向大家简单介绍一下。

2022年9月15日华盛顿大学的David Backer组在Science上发表了一篇题为Robust deep learning–based protein sequence design using ProteinMPNN的工作。该团队开发了一种基于深度学习的蛋白质序列设计方法 —— ProteinMPNN。其与传统基于物理的方法设计的Rosetta，序列恢复度提升了19.5%；且运行速度更快。proteinMPNN设计的序列相较于天然序列提高了表达量和稳定性，这对于通过结晶解析结构而言大有裨益。

如下图，左边栏列出了它的所有功能。挑了几个使用频率可能比较高的几个仔细了解了一下。

Alphafold2本地部署常见的有两种方式：一、构建Docker镜像；二、Conda部署。尝试了一下第一种方法碰到了无法运行（不报错，但不执行计算）的问题，加上对Docker不熟悉，所以放弃，转而选择第二种。安装硬件设备：CPU: 64核磁盘: 4T系统: Ubuntu18.04RAM: 64G显卡：NVIDIA GV102CUDA版本： 11.7显卡驱动版本：515.43.04。