19 artículos
Este estudio demuestra que los huellas dactilares moleculares simples, combinadas con modelos de aprendizaje automático como LightGBM, superan a las arquitecturas complejas basadas en grafos y transformadores en la predicción de funciones peptídicas, desafiando la noción de que es esencial modelar interacciones de largo alcance.
El artículo presenta IFACE, un marco de correspondencia basado en acoplamiento probabilístico que alinea superficies proteicas integrando su geometría intrínseca y campos químicos distribuidos para definir una distancia conjunta que supera a los métodos tradicionales en la separación de variabilidad conformacional y divergencia estructural, permitiendo así identificar con mayor precisión parches de interacción funcionalmente relacionados.
Este trabajo propone una nueva representación de entornos proteicos locales derivada de modelos fundamentales atómicos que captura eficazmente tanto la estructura como las características químicas, permitiendo la construcción de predictores de desplazamiento químico con precisión de vanguardia y abriendo nuevas vías para el modelado de proteínas.
CryoNet.Refine es un modelo de difusión de un solo paso que automatiza y acelera el refinamiento de estructuras moleculares a partir de mapas de densidad de criomicroscopía electrónica, superando en velocidad y precisión a los métodos tradicionales como Phenix y Rosetta.
Este artículo presenta "Reverse Distillation", un marco que descompone las representaciones de grandes modelos de lenguaje de proteínas en subespacios ortogonales guiados por modelos más pequeños, creando incrustaciones anidadas que aseguran que los modelos más grandes superen consistentemente a los más pequeños en tareas de proteínas.
Este artículo presenta un modelo termodinámico unificado que predice cuantitativamente el comportamiento de fase y la partición de regiones intrínsecamente desordenadas en mezclas complejas mediante un espacio métrico basado en representaciones de secuencia aprendidas.
El modelo BInD es una arquitectura de difusión basada en conocimiento que aborda las limitaciones de los métodos existentes al generar simultáneamente moléculas y sus interacciones con proteínas diana, logrando un rendimiento equilibrado y superior en múltiples objetivos para el diseño de fármacos.
Este artículo presenta QCAI, un nuevo método post-hoc para interpretar los mecanismos de atención cruzada en transformadores de codificador-descodificador aplicados a la unión TCR-pMHC, el cual demuestra un rendimiento superior en precisión predictiva e interpretabilidad al ser evaluado contra el nuevo benchmark TCR-XAI basado en estructuras experimentales.
Este artículo presenta un marco de optimización continua basado en muestreo que mejora el diseño de ARNm al iterativamente generar y evaluar secuencias sinónimas para optimizar múltiples objetivos, superando a métodos anteriores en métricas clave como la probabilidad de no apareamiento y el porcentaje de uridina accesible.
Mediante simulaciones de Monte Carlo del modelo Go de la proteína YibK, este estudio demuestra que la temperatura de fusión (Tm) es independiente del estado topológico de la proteína, atribuyendo las discrepancias previas entre resultados experimentales y computacionales a una marcada separación de escalas de tiempo entre el desanudamiento y el desplegamiento que impide alcanzar el equilibrio térmico completo durante los experimentos de calorimetría.
Este artículo presenta una teoría analítica exacta y leyes de escala que demuestran cómo las fuerzas entrópicas pueden, paradójicamente, mantener unidas a haces de nanofilamentos en estados metastables atractivos en lugar de separarlos, dependiendo de la relación entre el radio de volumen excluido y la longitud de las ataduras.
Mediante simulaciones de Monte Carlo, este estudio demuestra que la topología enredada de las proteínas confiere una mayor estabilidad cinética, la cual aumenta con la profundidad del nudo y con la complejidad de la secuencia de aminoácidos, sugiriendo que la presión evolutiva por esta estabilidad es un factor clave en la persistencia de las proteínas enredadas.
Este artículo presenta el marco HSF, una metodología basada en primeros principios que supera las limitaciones de los enfoques convencionales de ADN antiguo al tratar los fragmentos como unidades primarias para gestionar la complejidad de las mezclas de origen y degradación, mejorando así la autenticidad y la precisión en la reconstrucción de linajes evolutivos.
Este trabajo presenta HEroBM, un método escalable basado en redes neuronales gráficas equivariantes que permite la reconstrucción precisa y universal de estructuras atómicas a partir de representaciones de grano grueso en diversos sistemas químicos y biológicos.
Esta revisión examina los avances recientes en el uso de simulaciones de dinámica molecular a nivel atómico para caracterizar la dinámica del ARN en diversos contextos, destacando cómo las técnicas de muestreo mejorado, los enfoques integradores y la inteligencia artificial mejoran la precisión de los conjuntos estructurales y aceleran el modelado del ARN.
Este trabajo presenta un marco de optimización en tiempo de inferencia que genera conjuntos de proteínas termodinámicamente plausibles y alineados con datos experimentales mediante la optimización de representaciones latentes y muestreo de distribuciones ponderadas por Boltzmann, superando las limitaciones de los métodos actuales y revelando vulnerabilidades en las métricas de confianza de AlphaFold3.
El modelo FLOWR.root es una arquitectura fundacional basada en flujo de emparejamiento que genera ligandos 3D estructurales conscientes de la bolsa de unión y predice simultáneamente la afinidad de unión, logrando un rendimiento superior al estado del arte en benchmarks de afinidad y ofreciendo una solución integral para el diseño de fármacos mediante la integración de generación, estimación de afinidad y adaptación eficiente de dominio.
Este estudio demuestra que un modelo estadístico-mecánico, parametrizado mediante mediciones precisas de energías de unión in vitro del factor de transcripción Klf4, es capaz de predecir con alta fidelidad su ocupación en todo el genoma humano sin necesidad de ajustes adicionales.
Cryo-SWAN es un autoencoder variacional basado en voxelización e inspirado en la descomposición por wavelets multiescala que mejora la representación y reconstrucción de volúmenes de densidad molecular, superando a los métodos actuales de visión 3D en tareas de aprendizaje de formas y generación condicional.