生成抗体的生成GNN：Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design

最新推荐文章于 2024-10-10 08:09:00 发布
原创 最新推荐文章于 2024-10-10 08:09:00 发布 · 1.6k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #深度学习 #机器学习

网址： Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design | OpenReview

ICLR 2022的高分论文[8，8，8]，目前没有给代码

内容：抗体结合的特异性是由这些Y形蛋白末端的互补决定区(CDR)决定的。这篇论文提出了一个生成模型来同时生成CDR序列和相应的结构，并具有迭代修改已生成子图的能力

有关抗体设计的一些问题

  • 挑战：CDR序列的组合搜索空间到了20的60次方，而同时满足亲和力、稳定性与可合成性的解空间较小

  • CDR生成的三个关键问题
    1. 如何对序列及其底层3D结构之间的关系进行建模-->同时设计
      1. 不考虑结构生成序列会导致次优性能
      2. 预定义结构再生成序列不适合抗体，因为结构很少是先验已知的
    2. 如何在给定序列(上下文)剩余部分的情况下对CDR的条件分布进行建模，注意力方法忽略了结构，而结构也是至关重要的
    3. 如何针对各种属性进行模型优化。传统基于物理的模型关注结合能最小化，本文模型关注的更多

抗体的组成

  • 抗体由一个重链（heavy chain）和一个轻链（light chain）组成，每个重链由一个可变区variable domain (VH/VL)和一些恒定区constant domain 组成。可变区进一步划分为框架区和三个补充性决定区(CDR)。重链上的三个CDR被标记为CDR-H1、CDR-H2、CDR-H3，每个CDR占据一个连续的序列。作为抗体中变异最大的部分，CDRs是结合和中和的主要决定因素-->抗体的设计任务可以认为是CDR的生成任务

模型结构

  • 本文只关注VH的CDR的生成，VL的同理
    • VH可表示为氨基酸的序列𝑠=𝑠1𝑠2…𝑠𝑛,其中每个si可称为残基（residue）
    • 残基的值为20中氨基酸中的一个，或者<MASK>
    • 使用主干坐标将其折叠为3D结构
      • 阿尔法碳：𝑥𝑖,𝛼
      • 碳原子：𝑥𝑖,𝑐
最低0.47元/天 解锁文章
【图像超分】论文精读：Cross-Scale Internal Graph Neural Network for Image Super-Resolution（IGNN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-18 2112
自然图像中的非局部自相似性已被很好地研究，作为图像恢复的有效先验。然而，对于单图像超分辨率 (SISR)，大多数现有的深度非局部方法（例如非局部神经网络）仅在低分辨率 (LR) 输入图像的相同尺度内利用相似的补丁。因此，恢复仅限于使用相同的尺度信息，而忽略了来自其他尺度的潜在高分辨率 (HR) 线索。在本文中，我们探索了自然图像的跨尺度补丁递归特性，即相似的补丁往往在不同的尺度上重复多次。这是通过一种新颖的跨尺度内部图神经网络 (IGNN) 实现的。具体来说，我们通过在 LR 图像中为每个查询补丁搜索下采样
论文学习笔记：Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
m0_57180439的博客
07-22 1074
异构信息网络（HIN）包含丰富的语义信息，这些信息由元路径（meta-paths）描述，已经成为缓解推荐系统中数据稀疏问题的重要工具。然而，现有的基于HIN的推荐系统通常假设数据是集中存储和训练的。但是，在现实世界中，由于隐私问题，数据往往是分布存储的，这导致HIN中的语义破裂问题，并使集中式HIN推荐系统失效。ps：推荐系统中数据稀疏问题比如现有10000个电影数据和10个观众数据，但这10个观众不一定都看过这10000个电影，并且也不是说看过的电影一定会写评价。
【学习笔记】ICLR2022-GNNRefine
JackCrum的博客
12-08 1551
抗体是多功能蛋白质，与病毒等病原体结合并刺激适应性免疫系统。抗体结合的特异性由这些Y形蛋白质尖端的互补性决定区（CDR）决定。本文提出了一种生成模型，用于自动设计具有增强结合特异性或中和能力的抗体的CDR。之前的生成方法将蛋白质设计表述为结构条件序列生成任务，假设先验地给出了所需的3D结构。相比之下，我们建议将CDR的序列和3D结构作为图表共同设计。我们的模型在迭代细化其预测的全局结构的同时，自动回归地解开序列。推断的结构反过来指导后续的残留物选择。
GNN图网络 之 生成模型（graph generative networks)---GRAPH-TO-GRAPH(JTNN-junction tree)
qq_36710839的博客
11-26 4753
最近开始看图网络相关的论文。（日常流水账记录） 深度学习火了这么多年，感觉已经是一片红海。但是从深度学习这一成功例子中衍生出来的GNN网络目前为止还算是一篇蓝海。仅仅是从CNN中照搬过去的pooling，attention，rnn，VAE，GAN等等概念，都已经发了很多篇顶会，而且日期基本上围绕在18年左右。因此这一领域确实大有可为。 根据老师的安排，我开始看GNN里面跟生成模型相关的论文，去...
深度学习 之 GNN生成对抗网络
m0_59115974的博客
11-29 531
pytorch实现：暂无。
探索抗体设计新境界：迭代细化图神经网络（RefineGNN）
gitblog_00065的博客
06-22 600
探索抗体设计新境界：迭代细化图神经网络（RefineGNN） 在生物信息学的浩瀚星海中，RefineGNN犹如一颗璀璨的新星，照亮了抗体序列与结构共设计的道路。本项目基于ICLR 2022的研究论文，通过强大的图神经网络框架，为抗体设计领域带来了革新性的解决方案。让我们深入这一前沿工具，探索其独特的魅力。 项目简介 RefineGNN是一个专为抗体序列-结构协同设计打造的迭代细化图神经网络模型。它...
图神经网络（GNN）最简单全面原理与代码实现
热门推荐
hellozhxy的博客
01-11 3万+
图数据是由节点（Node）和边（Edge）组成的数据，最简单的方式是使用邻接矩阵来表示图形结构，从而捕捉图形中的节点和边的相关性。假设图中的节点数为n，那么邻接矩阵就是一个n*n的矩阵，如果节点之间有关联，则在邻接矩阵中表示为1，无关联则为0。在图中，鲁班与其他英雄都没有关联，表现在邻接矩阵当中就是它所在的行与列为全零。王者荣耀当中的图和邻接矩阵图数据的信息包含3个层面，分别是节点信息（V）、边信息（E）、图整体（U）信息，它们通常是用向量来表示。
《论文阅读》GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning
未知丶的博客
12-09 1716
留个笔记自用 GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning 做什么 3D object detection。3维目标检测 对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的 而所谓的object tracking就是目标追踪，就是在detect的基础上增加了一个时序性，常见的
【论文笔记】PR-GNN:Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis
The_best_man的博客
01-19 1755
PR-GNN 图神经网络用于脑网络分析 PR-GNN的结构如上图所示，GATConv作为节点的卷积层，分别验证了基于ranking的池化方法SAGEPooling与TopKPooling作为节点的池化层。 符号和问题定义 根据T1T1T1 sMRI将大脑划分为NNN个ROI 符号 含义 符号 含义 G=(V,ε)G=(V,ε)G=(V,ε) 无向有权图 V={v1,...,vn}V=\{v_1,...,v_n\}V={v1​,...,vn​} 顶点集 εεε 边集 H=[h1,...
GPT-GNN：图神经网络的生成式预训练 KDD 2020
u013602059的专栏
08-27 1186
论文链接：https://arxiv.org/pdf/2006.15437.pdf 代码链接：https://github.com/acbull/GPT-GNN 论文来源：KDD 2020 参考文档：https://blog.youkuaiyun.com/c9yv2cf9i06k2a9e/article/details/108231322 1、简介 本文研究如何利用图生成作为自监督任务来预训练 GNN。我们将图的生成概率分解成两个模块：1）节点特征生成；2）图结构生成。通过对这两个模块建模，GPT-GNN 可以捕捉图.
基于序列的深度学习抗体设计及其在电子抗体亲和力成熟中的应用
Daisy4的博客
08-20 1851
对全球健康药物发现研究所，北京，中国论文Sequence-based deep learning antibody design for in Silico antibody affinity maturation的整理。 0. 写在前面的问题 在读了4遍之后的不懂的问题，寻找有缘人解答： 1. 在结果比较时，对|ddG|采取的间隔是0，0.5，1，但是我在查阅相关论文后，发现绝大部分是以ddG<-1为稳定结合，ddG>1为不稳定结合。您文章的分段评估标准是什么？ 2. 文章有提到“将相
Cell Systems | 填充式语言建模用于抗体序列设计
DrugOne
12-10 387
今天为大家介绍的是来自Jeffrey J. Gray团队的一篇论文。用于治疗应用的单克隆抗体的发现和优化依赖于大型序列库，但是由于可开发性问题而受到阻碍。基于数百万蛋白质序列训练的生成式语言模型，是按需生成现实且多样化序列的强大工具。作者提出了免疫球蛋白语言模型（IgLM），这是一种用于创建合成抗体库的深度生成式语言模型。与之前利用单向上下文进行序列生成的方法相比，IgLM基于自然语言中的文本填充来构建抗体设计，允许它使用双向上下文重新设计抗体序列中的可变长度区域。
学术速运|利用深度学习和分子动力学模拟设计抗菌肽
weixin_45468600的博客
04-17 695
Designing antimicrobial peptides using deep learning and molecular dynamic simulations
抗体优化新方法：通过AI预测亲和力和自然度
DrugOne
08-21 2669
利用人工智能对抗体进行优化的基于高通量亲和数据训练的深层语境语言模型（deep contextual language models trained on high-throughput affinity data），并运用名为ACE和SPR的方法，用于生成抗体结合亲和力的相对传统方法而言更优的测量，然后基于两种不同的抗体证明了可以定量预测未知抗体序列变体的结合。
KDD 2022| 使用约束能量模型的抗体CDR 设计
DrugOne
09-03 939
近年来涌现出许多计算设计抗体CDR环的工作，但面临着CDR 环维持特定几何形状的挑战。在这篇文章中，作者设计了一个约束流形来表征 CDR 环的几何约束，接着设计了约束流形中的能量模型Constrained Energy Model (CEM)。
【读文献】Generative models for graph-based protein design 蛋白质设计
草鸟的博客
10-26 1740
基于图和Transformer的生成式模型，用于蛋白质设计
推荐文章：Graph-Based Protein Design - 创新性的蛋白质设计框架
gitblog_00059的博客
06-07 822
推荐文章：Graph-Based Protein Design - 创新性的蛋白质设计框架 1、项目介绍 Graph-Based Protein Design 是一个基于图的蛋白质设计开源项目，源自John Ingraham等人的NeurIPS 2019论文。该项目提出了一种新的方法，利用生成模型和图条件自回归语言模型来设计针对特定3D结构的蛋白质序列。它的核心理念是通过构建和理解蛋白质结构的复杂...
推荐开源项目：Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-Design (RefineGNN)
gitblog_01165的博客
10-10 376
推荐开源项目：Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-Design (RefineGNN) 项目介绍 RefineGNN 是一个基于图神经网络（GNN）的开源项目，专注于抗体序列-结构共设计。该项目实现了 ICLR 2022 论文中的方法，旨在通过迭代精化技术，提升抗体序列和结构的预测...
【读文献】可解读的深度学习抗体结构预测
草鸟的博客
09-01 3201
抗体结构预测，深度学习，DeepAb
DPGNN: Dual-perception graph neural network for representation learning
最新发布
01-20
### DPGNN（双感知图神经网络）用于表示学习 #### 架构设计 Dual-perception graph neural network (DPGNN) 是一种旨在通过融合不同模态的信息来增强节点特征表达能力的模型架构。该方法利用两个独立但相互关联的子网分别处理局部和全局结构信息，从而实现更丰富的表征[^1]。 对于局部视角，DPGNN 能够捕捉近距离邻居之间的交互模式；而对于全局视角，则关注于远距离节点间的关系建模。这种双重机制有助于提高对复杂网络拓扑的理解力，并为下游任务提供更加鲁棒且具有区分度的嵌入向量。 #### 实现细节 为了有效实施上述理念，在具体编码过程中可以采用如下策略： - **消息传递框架**：基于经典的 GNN 消息传播范式，定义两套不同的聚合函数以适应各自的感受野需求； ```python import torch class LocalAggregator(torch.nn.Module): def forward(self, x, edge_index): # Implement local aggregation logic here pass class GlobalAggregator(torch.nn.Module): def forward(self, x, batch): # Implement global pooling/aggregation logic here pass ``` - **多尺度特征提取**：引入跨层连接或跳跃链接，使得每一层都能获取到前序层次产生的中间状态作为补充输入源之一； - **自注意力机制**：借鉴 Transformer 的成功经验，在必要位置加入 self-attention 层以便更好地权衡重要性和权重分配给各个部分的数据流路径。 #### 应用场景 得益于其独特的设计理念，DPGNN 不仅适用于传统的社交关系预测、推荐系统等领域，还能够在新兴方向上发挥重要作用，比如但不限于： - 物联网设备间的协同工作优化； - 生物医学领域内的蛋白质功能分类与药物靶点发现； - 自然语言处理中的语义解析及情感分析等自然语言理解类问题求解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值