19 artigos
Este artigo demonstra que modelos simples baseados em "impressões digitais" moleculares (fingerprint) superam abordagens complexas de redes neurais e transformers na previsão de funções peptídicas, desafiando a premissa de que a modelagem de interações de longo alcance é essencial para essa tarefa.
O artigo apresenta o IFACE, uma nova estrutura que alinha superfícies proteicas através do acoplamento probabilístico de geometria intrínseca e campos químicos, permitindo uma distância conjunta que supera os métodos tradicionais ao distinguir variabilidade conformacional de divergência estrutural e identificar sítios catalíticos conservados.
Este trabalho propõe uma nova representação de ambientes proteicos locais derivada de modelos fundamentais atômicos, demonstrando sua eficácia na captura de características estruturais e químicas e permitindo a criação de um preditor de deslocamento químico em espectroscopia de RMN com precisão state-of-the-art.
O artigo apresenta o CryoNet.Refine, um modelo de difusão de um único passo baseado em aprendizado profundo que automatiza e acelera o refinamento de modelos estrutuais de macromoléculas contra mapas de densidade de criomicroscopia eletrônica, superando em velocidade e qualidade as ferramentas tradicionais como o Phenix.real_space_refine.
O artigo apresenta o Reverse Distillation, um framework que melhora consistentemente o desempenho de modelos de linguagem proteica ao decompor suas representações em subespaços ortogonais guiados por modelos menores, garantindo que modelos maiores superem os menores em tarefas específicas.
Este artigo apresenta um modelo termodinâmico inovador que utiliza métricas aprendidas a partir de sequências de regiões intrinsecamente desordenadas (IDRs) para prever quantitativamente e de forma unificada o comportamento de fase e a partição em misturas complexas, superando a necessidade de dados de treinamento específicos sobre energia livre ou coexistência de fases.
O artigo apresenta o BInD, um modelo de difusão baseado em conhecimento que gera simultaneamente moléculas e suas interações com proteínas-alvo, superando as limitações de métodos existentes ao equilibrar eficazmente múltiplos objetivos no desenho de fármacos estruturalmente baseado.
Este artigo apresenta o QCAI, um novo método pós-hoc para interpretar mecanismos de atenção cruzada em transformadores, que alcança desempenho superior em precisão e interpretabilidade na previsão de ligações TCR-pMHC ao ser validado pelo novo benchmark TCR-XAI.
Este artigo propõe um framework de otimização contínua baseado em amostragem para o design de sequências de RNA mensageiro, que supera métodos existentes ao iterativamente otimizar múltiplos objetivos acoplados, como probabilidade de emparelhamento e percentual de uridina acessível, através da atualização de uma distribuição de amostragem parametrizada.
Este estudo utiliza simulações de Monte Carlo para demonstrar que a estabilidade térmica de proteínas não depende do seu estado topológico, sugerindo que as discrepâncias entre resultados experimentais e computacionais decorrem da separação de escalas de tempo entre o desenovelamento e o desatamento de nós, o que impede o acesso ao equilíbrio termodinâmico completo durante os experimentos.
Este artigo apresenta uma teoria analítica e simulações que revelam como forças entrópicas podem, paradoxalmente, manter feixes de nanofilamentos em estados metastáveis atrativos em vez de promovê-los a se separar, dependendo de um único parâmetro adimensional que relaciona o raio de volume excluído ao comprimento do elo.
Este estudo demonstra, por meio de simulações de Monte Carlo, que a topologia emaranhada das proteínas confere uma vantagem funcional ao aumentar significativamente sua estabilidade cinética, sugerindo que a pressão evolutiva por maior resistência ao desenovelamento pode explicar a persistência dessas estruturas complexas.
Este artigo apresenta uma crítica aos métodos convencionais de análise de DNA antigo e propõe o novo quadro HSF (Fragmento Específico do Hospedeiro), que utiliza princípios fundamentais e indicadores de preservação para melhorar a autenticidade e a precisão na atribuição de origens em amostras complexas e mistas.
O artigo apresenta o HEroBM, uma rede neural gráfica equivariante profunda e escalável que realiza o backmapping universal e preciso de representações de grão grosso para atômicas em qualquer sistema químico, superando as limitações de métodos anteriores em transferibilidade e qualidade geométrica.
Esta revisão explora os avanços recentes nas simulações de dinâmica molecular atômica para caracterizar a dinâmica do RNA em diversos contextos, destacando como técnicas de amostragem aprimorada, abordagens integrativas e inteligência artificial melhoram a precisão dos modelos estruturais e aceleram o progresso na área.
Os autores propõem um novo quadro de otimização no tempo de inferência que, ao otimizar representações latentes e combinar priors estruturais com dados experimentais, gera ensembles de proteínas mais diversificados, fisicamente plausíveis e em melhor acordo com dados experimentais do que os métodos atuais, ao mesmo tempo que expõe vulnerabilidades nas métricas de confiança de modelos como o AlphaFold3.
O artigo apresenta o FLOWR.root, um modelo fundamental baseado em fluxo de correspondência (flow matching) e equivariante a SE(3) que integra a geração 3D de ligantes conscientes da estrutura do sítio de ligação com a previsão de afinidade e confiança, demonstrando desempenho superior em benchmarks de afinidade e permitindo a otimização de fármacos por meio de adaptação de domínio eficiente e amostragem orientada por propriedades.
Os autores demonstram que um modelo estatístico-mecânico, parametrizado por medições de energias de ligação in vitro do fator de transcrição Klf4, consegue capturar com precisão seus padrões de ligação em moléculas de DNA individuais e prever sua ocupação em todo o genoma humano.
O artigo apresenta o Cryo-SWAN, um autoencoder variacional baseado em voxels e inspirado na decomposição por wavelets multiescala, que supera os métodos atuais na representação e geração de volumes de densidade molecular, oferecendo uma estrutura prática para a biologia estrutural baseada em dados.