weixin_45468600的博客

题目：New prediction categories in CASP15文献来源：Proteins. 2023;1–8.代码：无内容：结构预测关键评估（CASP）实验中的预测类别随着结构建模中需要解决特定问题的需要而变化。在CASP15中，引入了四种新的预测类别：RNA结构、配体-蛋白复合物、低聚结构及其界面的准确性，以及备选构象的集合。本文列出了这些类别的技术规范，并描述了它们在CASP数据管理系统中的集成。1.背景介绍结构预测的关键评估（CASP）是一个成熟的比赛，可以显

如腺苷脱氨酶（A_deamin，InterPro数据库中的PF02137）-参与嘌呤代谢的酶，在使用基于氨基酸序列的聚类方法时被分成不同的分支，但基于结构的聚类方法都将其分组为一个单一的A_deamin分支（图1B、1C和S1B）。蛋白质结构的比较表明，这四个脱氨酶家族的两个分支都有相当不同的结构，这与它们的InterPro命名和基于序列的分类可能表明的相反（图1D和S1D-S1H）。人工智能辅助蛋白质结构预测的出现，结合越来越多的测序工作，将进一步激发新的酶的发现，并使更大的生物工程工作成为可能。

AlphaFold2 and Deep Learning for Elucidating Enzyme Conformational Flexibility and Its Application for Design

Score-based generative modeling for de novo protein design

Atomic protein structure refinement using all-atom graph representations and SE(3)-equivariant graph transformer

内容：分子的信息表征是人工智能驱动的药物设计和发现的关键前提。首先，作者利用BRICS的反应信息将分子划分为包含官能团的片段，并保留这些片段之间的反应信息，构建了包含两种节点和三种边的异构分子图（图1）。然后，为了全面考虑分子的多视图和多尺度图表示以及连接片段的反应信息，作者提出了一种新的基于消息传递的异构图Transformer模型。具体来说，他们使用两种不同的Transformer分别学习异构图中的边和节点的特征，并通过消息传递对这些边和节点的特征进行聚合和更新，以获得异构分子图的表示。

Assessment of community efforts to advance network-based prediction of protein–protein interactions

BioRxiv|利用AlphaFold进行环肽结构预测和设计-Baker课题组环肽新工作

Benchmarking AlphaFold2 on peptide structureprediction

Chemistry42: An AI-Driven Platform for Molecular Design and Optimization

AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor

Cyclic Peptides as Drugs for Intracellular Targets: The Next Frontier in Peptide Therapeutic Development

Machine learning overcomes human bias in the discovery of self-assembling peptides

​题目：DNA-Encoded Libraries: Towards Harnessing their Full Power with Darwinian Evolution文献来源：Angew. Chem. Int. Ed. 2022, e202215542代码：无（实验性综述）内容：1.背景新型酶抑制剂，受体激动剂/拮抗剂或简单结合剂的发现是药物创新的核心，也是生物医学研究的核心。历史上，天然产物和化学合成与高通量筛选技术(HTS)相结合一直是这一过程的前沿研究。DNA编码技术的发展为这一工作流程带来了

在本研究中，作者提出了一种基于Transformer双向编码器表示的新型分子编码方案，通过使用我们预先训练的编码模型NPBERT以及四种机器学习算法（k-最近邻（k-NN），支持向量机(SVM)，极端梯度增强(XGB)和随机森林(RF)），获得各种预测模型用来识别抗疟疾天然产物的活性。结果表明，SVM模型是表现最好的分类器，其次是XGB，k-NN和RF模型。为了评估模型性能，评估平衡精度(BA)，特异性(SP)，灵敏度(SN)，Cohen的Kappa(CK)和接收器操作特征曲线（ROC-AUC）下的区域。