19 articles
Cette étude démontre que des empreintes moléculaires simples et interprétables, combinées à des modèles d'apprentissage automatique légers, surpassent les approches complexes basées sur les graphes et les transformateurs pour la prédiction des propriétés des peptides, remettant ainsi en question la nécessité de modéliser les interactions à longue portée.
Cet article présente IFACE, un cadre d'alignement de surfaces protéiques qui intègre la géométrie intrinsèque et les champs chimiques pour définir une distance conjointe permettant de mieux distinguer la variabilité conformationnelle de la divergence structurelle et d'identifier des poches catalytiques conservées.
Cette étude propose une nouvelle représentation des environnements protéiques locaux dérivée des modèles de fondation atomistiques, démontrant son efficacité pour capturer la structure et la chimie locales, établir des priors de données et réaliser des prédictions de décalages chimiques NMR à l'état de l'art.
CryoNet.Refine est un modèle de diffusion en une étape qui automatise et accélère le raffinement des structures moléculaires à partir de cartes de densité cryo-EM, surpassant les méthodes traditionnelles en termes de rapidité et de qualité géométrique.
Ce papier présente la distillation inverse, un cadre novateur qui décompose les représentations des grands modèles de langage protéique en sous-espaces orthogonaux guidés par des modèles plus petits, permettant ainsi d'obtenir des embeddings de type « poupée russe » qui garantissent une performance supérieure et cohérente à l'échelle sur les benchmarks ProteinGym.
Cette étude présente un modèle thermodynamique unifié qui prédit quantitativement le comportement de phase et le partitionnement des protéines intrinsèquement désordonnées dans des mélanges complexes en utilisant un espace métrique dérivé de représentations séquentielles apprises.
Le modèle de diffusion BInD, guidé par des connaissances, surmonte les limites des méthodes existantes de conception de médicaments basée sur la structure en générant simultanément des molécules et leurs interactions avec une protéine cible, permettant ainsi d'optimiser de manière équilibrée les objectifs multiples tels que les interactions spécifiques, les propriétés moléculaires et la géométrie locale.
Ce papier propose QCAI, une nouvelle méthode post-hoc pour interpréter les mécanismes d'attention croisée dans les transformateurs utilisés pour modéliser la liaison TCR-pMHC, et démontre sa supériorité grâce au benchmark TCR-XAI basé sur des structures expérimentales.
Cet article propose un cadre d'optimisation continue basé sur l'échantillonnage pour concevoir des séquences d'ARN messager, surpassant les méthodes existantes en optimisant simultanément la stabilité et d'autres métriques de performance via une exploration flexible de l'espace des séquences synonymes.
En utilisant des simulations de Monte Carlo sur la protéine YibK, cette étude démontre que la température de fusion thermique ne dépend pas de l'état topologique (nœud) de la protéine, expliquant les contradictions antérieures par une séparation marquée des échelles de temps entre le dénouement et le dépliement qui empêche l'atteinte de l'équilibre lors des expériences calorimétriques.
Ce papier établit une théorie analytique exacte démontrant que le rapport entre le rayon de volume exclu et la longueur des liens détermine si les forces entropiques séparent ou, de manière paradoxale, maintiennent ensemble des faisceaux de nanofilaments dans des états métastables attractifs, un phénomène confirmé par des simulations de dynamique brownienne.
En utilisant des simulations de Monte Carlo, cette étude démontre que la topologie nouée des protéines augmente leur stabilité cinétique, suggérant que cette résistance au dépliement constitue un avantage évolutif favorisant la persistance des protéines nouées.
En critiquant les limites des méthodes conventionnelles d'analyse de l'ADN ancien face à la complexité des environnements de préservation, cette étude propose le cadre HSF pour améliorer la traçabilité des fragments et la fiabilité des reconstructions phylogénétiques grâce à une approche fondée sur les principes premiers.
Cet article présente HEroBM, une méthode d'apprentissage profond basée sur des réseaux de neurones graphiques équivariants qui permet un rétro-mappage universel, précis et transférable de représentations grossières vers des structures atomiques complètes pour divers systèmes chimiques et biologiques.
Cette revue examine les récentes avancées des simulations de dynamique moléculaire à l'échelle atomique pour caractériser la dynamique de l'ARN dans divers contextes, en mettant l'accent sur les techniques d'échantillonnage amélioré, les approches intégratives et le rôle émergent de l'intelligence artificielle.
Cet article présente un cadre d'optimisation au moment de l'inférence qui génère des ensembles protéiques conformes aux données expérimentales en optimisant les représentations latentes et en combinant des priors structurels et physiques, surpassant ainsi les méthodes actuelles tout en révélant une vulnérabilité des métriques de confiance des modèles génératifs.
Le modèle FLOWR.root est une architecture fondée sur l'appariement de flux et équivariante SE(3) qui génère de manière conjointe des ligands 3D structurellement adaptés et prédit leur affinité de liaison, offrant ainsi une solution performante et adaptable pour la conception de médicaments depuis l'identification de hits jusqu'à l'optimisation des leads.
Cette étude démontre qu'un modèle statistique-mécanique, paramétré à partir de mesures de liaison in vitro du facteur de transcription Klf4, permet de prédire avec précision son occupation sur l'ensemble du génome humain sans ajustement supplémentaire.
Cryo-SWAN est un autoencodeur variationnel basé sur les ondelettes et conçu pour les données volumétriques, qui améliore la représentation et la génération de densités moléculaires en capturant à la fois la géométrie globale et les détails structuraux de haute fréquence.