19 Arbeiten
Die Studie widerlegt die Annahme, dass für die Vorhersage von Peptidfunktionen komplexe Modelle zur Erfassung langreichweitiger Wechselwirkungen notwendig sind, und zeigt, dass einfache, lokale molekulare Fingerabdrücke in Kombination mit LightGBM auf 132 Datensätzen State-of-the-Art-Ergebnisse erzielen, die fortschrittliche Graph-Neural-Networks und Transformer-Modelle übertreffen.
Die Arbeit stellt IFACE vor, ein neuartiges Framework, das durch die probabilische Kopplung intrinsischer Geometrie und chemischer Felder eine einheitliche Distanzmetrik für Proteinoberflächen entwickelt, um funktionell verwandte Interaktionsstellen präziser zu identifizieren als herkömmliche Methoden.
Diese Arbeit stellt eine neuartige Repräsentation lokaler Proteinumgebungen vor, die auf Zwischenschichten atomarer Grundmodelle basiert und nicht nur Struktur- und chemische Merkmale präzise erfasst, sondern auch den Aufbau datengesteuerter Priors sowie die Entwicklung eines hochpräzisen, physikbasierten Vorhersagemodells für NMR-Chemische Verschiebungen ermöglicht.
CryoNet.Refine ist ein auf einem einstufigen Diffusionsmodell basierendes Deep-Learning-Framework, das die automatische und schnelle Verfeinerung von Protein- sowie DNA/RNA-Protein-Komplexen mittels Cryo-EM-Dichtekarten ermöglicht und dabei sowohl die Übereinstimmung mit den experimentellen Daten als auch die geometrische Qualität gegenüber herkömmlichen Methoden wie Phenix.real_space_refine signifikant verbessert.
Die Arbeit stellt Reverse Distillation vor, ein Framework, das Protein-Sprachmodelle durch die Zerlegung ihrer Repräsentationen in orthogonale Unterräume so optimiert, dass größere Modelle konsistent besser abschneiden als kleinere, indem sie die von kleineren Modellen erlernten allgemeinen Merkmale bewahren und zusätzliche Informationen orthogonal hinzufügen.
Diese Studie stellt ein thermodynamisches Modell vor, das durch das Erlernen kontextunabhängiger Sequenzdarstellungen die Phasentrennung und Verteilung intrinsisch ungeordneter Proteinregionen in komplexen Mischungen quantitativ vorhersagt und dabei eine einheitliche, interpretierbare Grundlage für das Verständnis biomolekularer Kondensate bietet.
Das Paper stellt BInD vor, einen diffusionsbasierten Generierungsmodellansatz für das strukturabhängige Wirkstoffdesign, der durch wissensbasierte Führung Moleküle und ihre Wechselwirkungen mit Zielproteinen gemeinsam erzeugt, um eine ausgewogene Optimierung mehrerer Ziele wie Bindungsspezifität, Moleküleigenschaften und lokale Geometrie zu erreichen.
Die Arbeit stellt QCAI vor, eine neue post-hoc-Methode zur Interpretation von Cross-Attention-Mechanismen in Transformer-Decodern für TCR-pMHC-Bindungen, die mit dem neu eingeführten TCR-XAI-Benchmark aus 274 experimentellen Strukturen sowohl die Interpretierbarkeit als auch die Vorhersagegenauigkeit verbessert.
Die Autoren stellen ein generalisiertes, sampling-basiertes kontinuierliches Optimierungsframework vor, das durch iteratives Erzeugen und Bewerten synonym codierender mRNA-Sequenzen unter Verwendung von Black-Box-Metriken effizientere Designs für Stabilität und Leistung im Vergleich zu bestehenden Methoden wie LinearDesign und EnsembleDesign ermöglicht.
Diese Studie zeigt durch Monte-Carlo-Simulationen, dass die thermische Stabilität des geknoteten Proteins YibK nicht von dessen Topologie abhängt und dass die Diskrepanz zwischen experimentellen und computergestützten Ergebnissen auf einer starken Trennung der Zeitskalen für das Entknoten und Entfalten beruht, die dazu führt, dass DSC-Experimente oft einen Nicht-Gleichgewichtszustand erfassen.
Die Studie entwickelt eine exakte analytische Theorie, die zeigt, dass ein dimensionsloser Parameter aus dem Verhältnis des Exklusionsvolumenradius zur Seillänge bestimmt, ob entropische Kräfte Nanofilamentbündel trennen oder paradoxerweise in metastabilen, attraktiven Zuständen zusammenhalten.
Die Studie zeigt durch Monte-Carlo-Simulationen, dass topologische Knoten in Proteinen deren kinetische Stabilität signifikant erhöhen, was als evolutionärer Vorteil für die Persistenz knötiger Proteine spricht.
Dieser Artikel stellt das HSF-Rahmenwerk vor, das durch eine first-principles-Analyse der Erhaltungszustände und eine neue Klassifizierung von DNA-Fragmenten konventionelle aDNA-Methoden kritisiert, um Verzerrungen bei der Quellenzuordnung in komplexen, gemischten Proben zu reduzieren und die Zuverlässigkeit der molekularen Archäologie zu erhöhen.
Die Studie stellt HEroBM vor, ein skalierbares, auf tiefen äquivarianten Graphenneuralen Netzen basierendes Verfahren, das eine universelle und präzise Rückführung von grobkörnigen zu all-atomaren Molekülstrukturen über den gesamten chemischen Raum hinweg ermöglicht.
Diese Übersichtsarbeit fasst die jüngsten Fortschritte bei der Verwendung von atomistischen Molekulardynamiksimulationen zusammen, um die Konformationsdynamik von RNA in verschiedenen Kontexten zu charakterisieren, wobei insbesondere verbesserte Sampling-Techniken, integrative Ansätze und der aufkommende Beitrag künstlicher Intelligenz hervorgehoben werden.
Die vorgestellte Arbeit führt ein generisches Optimierungsframework zur Inferenzzeit ein, das durch die direkte Optimierung latenter Repräsentationen und neuartiger Boltzmann-gewichteter Stichprobenverfahren experimentell fundierte Protein-Ensembles erzeugt, die physikalisch plausibler sind und besser mit experimentellen Daten übereinstimmen als bestehende Methoden, während sie gleichzeitig eine Anfälligkeit aktueller Konfidenzmetriken aufdecken.
FLOWR.root ist ein SE(3)-äquivarianter Flow-Matching-Grundlagenmodell, das die strukturbewusste 3D-Generierung von Liganden mit der Vorhersage von Bindungsaffinität und Konfidenzschätzung vereint und durch effizientes Fine-Tuning sowie Inferenz-Skalierung einen umfassenden Ansatz für den strukturbasierten Wirkstoffentwurf von der Hit-Identifizierung bis zur Leitstrukturoptimierung bietet.
Die Studie zeigt, dass ein statistisch-mechanisches Modell, das auf präzisen in-vitro-Bindungsenergien des Transkriptionsfaktors Klf4 basiert, dessen genomweite Besetzungsmuster im menschlichen Genom ohne zusätzliche Anpassungsparameter erfolgreich vorhersagen kann.
Das Paper stellt Cryo-SWAN vor, ein auf der Multi-Scale-Wavelet-Zerlegung basierendes Autoencoder-Netzwerk, das durch konditionale, grob-zu-fein verlaufende latente Kodierung und rekursive Residual-Quantisierung robuste Repräsentationen für molekulare Dichtevolumen erzeugt und damit die Rekonstruktionsqualität sowie die generative Modellierung in der strukturellen Biologie verbessert.