ZGY9542的博客

预测蛋白质和配体之间的对接对于药物发现来说是一项至关重要且具有挑战性的任务。然而，传统的对接方法主要依赖于评分函数，而基于深度学习的对接方法通常忽略了蛋白质和配体的3D空间信息以及配体的图级特征，这限制了其性能。为了解决这些限制，作者提出了一种用于蛋白质-配体对接构象预测的等变transformer神经网络。该方法涉及通过特征处理融合配体图级特征，然后使用作者提出的 TAMformer 模块学习配体和蛋白质表示。此外，作者还采用基于预测距离矩阵的迭代优化方法来生成精细的配体构象。

深度学习方法的有效性很大程度上归功于从原始数据中自动提取相关特征。在这篇论文中，作者提出了一种新方法，它已经成功地收集了关于大肠杆菌转录过程的见解。这项工作建立在一个基于transformer 的神经网络框架设计的原核基因组注释的目的。作者发现，该模型的大多数亚基(注意头)专门用于识别转录因子，并能够成功地表征它们的结合位点和一致序列，揭示了参与转录过程启动的已知和潜在新元素。