通过混合深度学习引导的生成式人工智能重塑自组装肽的发现
作者：Mauša, Goran
Lampel, A. 受生物学启发的超分子肽系统。
化学6 ，1222 - 1236 (2020)。文章
一个 谷歌学术一个 Jankoviä, P.、Åantek, I.、Pina, A. S. 和 Kalafatovic, D. 利用肽自组装来开发简约病毒模拟物。正面。
化学。9 ，723473（2021）。文章
一个 谷歌学术一个 弗雷德里克斯，P.W.等人。探索（三）肽自组装的序列空间，以设计和发现新的水凝胶。
纳特。化学。 7，30-37 (2015)。
Lampel, A.、Ulijn, R. 和 Tuttle, T. 通过定向发现指导肽纳米技术的原则。化学。苏克。牧师。 47，3737–3758 (2018)。
莱文，A.等人。用于功能材料的仿生肽自组装。纳特。化学牧师。 4，615–634 (2020)。
Chatterjee, A.、Reja, A.、Pal, S. 和 Das, D. 用于生化转化的肽组装系统化学。化学。苏克。牧师。 51，3047–3070 (2022)。
Ramakrishnan, M.、van Teijlingen, A.、Tuttle, T. 和 Ulijn, R. V. 在基于肽的超分子材料和系统的设计中集成计算、实验和机器学习。安吉乌。化学。国际。埃德。 62，e202218067 (2023)。
兰佩尔，A.等人。具有序列编码特性的聚合肽颜料。科学 第356章，1064–1068 (2017)。
史密斯，D.J.等人。用于缝合超小血管的多相变肽水凝胶。纳特。纳米技术。 11，95-102 (2016)。
巴特拉，R.等人。机器学习克服了人类在发现自组装肽方面的偏见。纳特。化学。 14，1427 - 1435 (2022)。
Pierce, N. A. 和 Winfree, E. 蛋白质设计是 NP 难的。蛋白质工程。 15，779–782 (2002)。
胡，K.等人。由环大小控制的受限环肽的自组装。CCS 化学。 2，42–51 (2020)。
胡，K.等人。通过链内手性中心调节肽自组装。科学。副词。 4，5907（2018）。
Chan, K. H.、Lee, W. H.、Ni, M.、Loo, Y. 和 Hauser, C. A. 超短肽的 C 末端残基对分子自组装、水凝胶化以及与小分子药物的相互作用的影响。科学。代表。 8，17127（2018）。
金，J.等人。水在引导二苯丙氨酸组装成纳米管和纳米线中的作用。副词。马特。 22，583–587 (2010)。
Nguyen，P.K. 等人。牙本质肽水凝胶的自组装。ACS欧米茄 3，5980 - 5987 (2018)。
严，X.等人。肽纳米管和类囊泡结构之间的可逆转变，包括理论建模研究。化学。欧元。J。 14，5974–5980 (2008)。
Yang, K. K.、Wu, Z. 和 Arnold, F. H. 机器学习引导的蛋白质工程定向进化。纳特。方法 16，687–694 (2019)。
Mandal, D.、Shirazi, A. N. 和 Parang, K. 肽自组装成纳米结构。组织。生物分子。化学。 12，3544–3561 (2014)。
什米洛维奇，K.等人。通过主动学习导向的粗粒度分子模拟发现自组装α-共轭肽。J. Phys。化学。乙 124，3873 - 3891 (2020)。
Gocheva, G.、Peneva, K. 和 Ivanova, A. 通过分子动力学研究阿霉素和药物结合肽的自组装。化学。物理。 第525章，110380（2019）。
郭，C.，罗，Y.，周，R.＆魏，G。三苯丙氨酸肽自组装成纳米球和纳米棒，与二苯丙氨酸肽形成的纳米囊泡和纳米管不同。纳米级 6，2800 - 2811 (2014)。
Lee, O.-S.、Cho, V. 和 Schatz, G. C. 使用粗粒度分子动力学模拟肽两亲物自组装成纤维的过程。纳米快报。 12，4907–4913 (2012)。
豪瑟，C.A. 等人。天然三肽到六肽在水中通过意想不到的α螺旋中间结构自组装成淀粉样蛋白β型纤维聚集体。过程。国家科学院。科学。美国 108，1361 - 1366 (2011)。
Frederix, P. W., Patmanidis, I. & Marrink, S. J. 自组装仿生超分子系统的分子模拟及其与实验的联系。化学。苏克。牧师。 47，3470 - 3489 (2018)。
Takahashi, K.、Oda, T. 和 Naruse, K. 生物分子的粗粒度分子动力学模拟。目标生物物理学。 1，1-15 (2014)。
Frederix, P. W.、Ulijn, R. V.、Hunt, N. T. 和 Tuttle, T. 二肽聚集的虚拟筛选：肽自组装的预测工具。J. Phys。化学。莱特。 2，2380 - 2384 (2011)。
Zhou, P., Yuan, C. & Yan, X.理解和预测自组装肽水凝胶的计算方法。电流。意见。胶体界面科学。 62，101645（2022）。
Palmer, N.、Maasch, J. R.、Torres, M. D. 和 de la Fuente-Nunez, C. 抗菌肽发现的分子动力学。感染。免疫。 89，00703-20（2021）。
Wan, F.、Wong, F.、Collins, J. J. 和 de la Fuente-Nunez, C. 用于抗菌肽识别和设计的机器学习。纳特。比奥恩牧师。2，392–407 (2024)。达斯，P.等人。
通过深度生成模型和分子动力学模拟加速抗菌药物的发现。纳特。生物医学。英格。5 ，613–623 (2021)。吉田，M.等人。
使用进化算法和机器学习探索序列空间以发现抗菌肽。化学 4，533–543 (2018)。
曾，W.-F。等人。AlphaPeptDeep：一个模块化深度学习框架，用于预测蛋白质组学的肽特性。纳特。交流。 13，7238（2022）。
Bukhari, S. N. H.、Webber, J. 和 Mehbodniya, A. 基于决策树的集成机器学习模型，用于预测寨卡病毒 T 细胞表位作为潜在候选疫苗。科学。代表。 12，7810（2022）。
Melo, M. C.、Maasch, J. R. 和 de la Fuente-Nunez, C. 通过人工智能加速抗生素发现。交流。生物。 4，1050（2021）。
Chen, J., Cheong, H. H. & Siu, S. W. XDeep-AcPEP：基于卷积神经网络和多任务学习的抗癌肽活性预测的深度学习方法。J.化学。信息。模型。 61，3789 - 3803 (2021)。
阿克巴，S.等人。iAtbP-Hyb-EnC：通过异构特征表示和基于遗传算法的集成学习模型预测抗结核肽。计算。生物。医学。 137，104778（2021）。
阿罗尼卡，P.G.等人。抗菌肽研究中的计算方法和工具。J.化学。信息。模型。 61，3172 - 3196 (2021)。
哈桑，M.M.等人。HLPpred-Fuse：通过融合多个特征表示，改进和稳健地预测溶血肽及其活性。生物信息学 36，3350 - 3356 (2020)。
Manavalan, B.、Shin, T. H.、Kim, M. O. 和 Lee, G. AIPpred：使用随机森林进行基于序列的抗炎肽预测。正面。药理学。 9，276（2018）。
奥勒，M.等人。基于序列的含有非天然氨基酸的肽的固有溶解度预测。纳特。交流。 14，7475（2023）。
刘，Y.等人。进化神经架构搜索的调查。IEEE 传输。神经网络。学习。系统。 34，550–570，（2023）。
Elsken, T.、Metzen, J. H. 和 Hutter, F. 神经架构搜索：一项调查。J·马赫。学习。资源。 20，1997 年至 2017 年（2019 年）。
李，F.等人。自组装二肽水凝胶的设计和通过其化学特征进行机器学习。过程。国家科学院。科学。美国 116，11259–11264 (2019)。
徐，T.等人。通过人机交互加速肽水凝胶的预测和发现。纳特。交流。 14，3880（2023）。
van Teijlingen, A. 和 Tuttle, T. 超越三肽两步主动机器学习，适用于非常大的数据集。J.化学。理论计算。 17 号，3221–3232 (2021)。
Gromski, P. S.、Henson, A. B.、Granda, J. M. 和 Cronin, L. 如何使用算法和自动化探索化学空间。纳特。化学牧师。 3，119–128 (2019)。
Attique, M.、Farooq, M. S.、Khelifi, A. 和 Abid, A. 使用机器学习预测治疗肽：计算模型、数据集和特征编码。IEEE接入 8，148570 - 148594 (2020)。
Scott, G. G.、Börner, T.、Leser, M. E.、Wooster, T. J. 和 Tuttle, T. 四肽乳化剂的直接发现。正面。化学。 10，822868（2022）。
Heydari, S.、Raniolo, S.、Livi, L. 和 Limongelli, V. 通过机器学习在分子系统之间转移化学和能量知识。交流。化学。 6，13（2023）。
Kaygisiz，K.等人。来自连续蛋白质载体嵌入的病毒感染性增强肽原纤维的逆向设计。生物材料。科学。 11，5251–5261 (2023)。
Deo，D.R.等人。通过循环神经网络实现大脑对双手运动的控制。科学。代表。 14，1598（2024）。
Singh, S. H.、van Breugel, F.、Rao, R. P. 和 Brunton, B. W. 跟踪气味羽流的人工智能体中的突发行为和神经动力学。纳特。马赫。英特尔。 5，58–70 (2023)。
Hong, T. & Stauffer, W. R. 计算复杂性推动了持续的深思熟虑。纳特。神经科学。 26，850–857 (2023)。
Bengio, Y.、Simard, P. 和 Frasconi, P. 通过梯度下降学习长期依赖关系很困难。IEEE 传输。神经网络。 5，157–166 (1994)。
Yang, G., Jiayu, Y., Dongdong, X., Zelin, G. & Hai, H. 用于中文长文本分类的特征增强文本初始模型。科学。代表。 13，2087（2023）。
张 L.、王 S. 和刘 B. 用于情感分析的深度学习：一项调查。WIRE 数据挖掘知识。迪可夫。 8，e1253（2018）。
张，X.等人。Deeptap：一种基于 RNN 的 TAP 结合肽预测方法，用于选择肿瘤新抗原。计算。生物。医学。 164，107247（2023）。
Zhou, Z., Qiu, C. 和Zhang, Y. 使用软传感器模型预测空气臭氧的线性回归、神经网络和随机森林回归的比较分析。科学。代表。 13，22420（2023）。
De Groot, N.、Pallares, I.、Avilés, F.、Vendrell, J. 和 Ventura, S. 疾病相关多肽聚集“热点”的预测。BMC 结构。生物。 5，18（2005）。
Siri 团队。Hey Siri：设备上由 DNN 支持的语音触发器，适用于 Apple 个人助理。Apple 的机器学习研究 https://machinelearning.apple.com/research/hey-siri（2017）。
Le, Q. V. 和 Schuster, M. 用于生产规模机器翻译的神经网络。谷歌人工智能博客 27（2016）。
苏涛，孙丽，王庆福。＆王，D.-H。在深度学习：基础、理论和应用31-55（施普林格，2019）。
郭，C.等。通过芳香二肽和三肽共组装扩大纳米结构的多样性：纳米结构和分子机制。ACS纳米 10，8316–8324 (2016)。
Reches, M. & Gazit, E. 通过芳香二肽自组装形成闭笼纳米结构。纳米快报。 4，581–585 (2004)。
Conchillo-Solé，O. 等人。AGGRESCAN：用于预测多肽聚集“热点”的服务器。BMC 生物信息。 8，65（2007）。
李，S.等人。自组装肽及其在疾病治疗中的应用。国际。J.莫尔。科学。 20，5850（2019）。
Lopez-Silva, T. L. 和 Schneider, J. P. 从结构到应用：肽材料开发的进展和机遇。电流。意见。化学。生物。 64，131–144 (2021)。
Otoviä，E.，Njirjak，M.，Kalafatovic，D. 和 MauÅ¡a，G。基于循环神经网络的治疗肽预测的顺序属性表示方案。J.化学。信息。模型。 62，2961 年至 2972 年（2022 年）。
Singh, D. 和 Singh, B。调查数据标准化对分类性能的影响。应用。软计算。 97，105524（2020）。
Nawi, N. M.、Atomi, W. H. 和 Rehman, M. Z. 数据预处理对人工神经网络优化训练的影响。过程。技术。 11，32-39 (2013)。
Pascanu, R.、Mikolov, T. 和 Bengio, Y. 关于训练循环神经网络的困难。在过程。第30届国际机器学习会议1310–1318（PMLR，2013 年）。
Van der Maaten, L. & Hinton, G. 使用可视化数据t-SNE。J·马赫。学习。资源。 9，2579–2605 (2008)。
Wei, L., Ye, X., Sakurai, T., Mu, Z. & Wei, L. ToxIBTL：基于信息瓶颈和迁移学习的肽毒性预测。生物信息学 38，1514 年至 1524 年 (2022 年)。
Dean, S. N.、Alvarez, J. A. E.、Zabetakis, D.、Walper, S. A. 和 Malanoski, A. P. PepVAE：用于抗菌肽生成和活性预测的变分自动编码器框架。正面。微生物。 12，725727（2021）。
Negovetiä, M.、Otoviä, E.、Kalafatovic, D. 和 MauÅ¡a, G. 有效解决特征空间维数的问题以改进肽分类。数字发现。 3，1182 - 1193 (2024)。
卡佩基，A.等人。机器学习设计非溶血性抗菌肽。化学。科学。 12，9221–9232 (2021)。
Elman, J. L. 及时发现结构。认知。科学。 14，179–211 (1990)。
Hochreiter, S. 和 Schmidhuber, J. 长短期记忆。神经计算。 9，1735 年至 1780 年（1997 年）。
Schuster, M. & Paliwal, K. K. 双向循环神经网络。IEEE 传输。信号处理。 45，2673–2681 (1997)。
LeCun, Y.、Bengio, Y. 和 Hinton, G. 深度学习。自然 第521章，436–444 (2015)。
瓦斯瓦尼，A.等人。您所需要的就是关注。副词。神经信息。过程。系统。 30，5999–6010 (2017)。
谷歌学术一个
刘，Z.等人。通过顺序和图形编码有效预测肽自组装。简短的。生物信息学。 24，409（2023）。
MauÅ¡a, G.、Njirjak, M.、Otoviä, E. 和 Kalafatovic, D. 基于可配置软计算的生成模型：催化肽的搜索。夫人高级。 8，1068–1074 (2023)。
Needleman, S. B. & Wunsch, C. D. 适用于搜索两种蛋白质氨基酸序列相似性的通用方法。J.莫尔。生物。 48，443–453 (1970)。
Thapa, S.、Clark, F.、Schneebeli, S. 和 Li, J. 发现自组装寡肽的多尺度模拟：一项基准研究。J.化学。理论计算。 20，375–384 (2023)。
Biancalana，M.，Makabe，K.，Koide，A. & Koide，S. 硫磺素-T 与富含 β 的肽自组装表面结合的分子机制。J.莫尔。生物。 第385章，1052–1063 (2009)。
Li，T.，Lu，X.-M.，Zhang，M.-R.，Hu，K.＆Li，Z。基于肽的纳米材料：自组装，性能和应用。生物行动。马特。 11，268–282 (2022)。
谷歌学术一个
戈什，G.等人。控制肽自组装中的多个纳米和二级结构。安吉乌。化学。国际。埃德。 61，202113403（2022）。
胡 X. 等人。短肽自组装的最新进展：从合理设计到新颖应用。电流。意见。胶体界面科学。 45，1-13 (2020)。
Ioffe, S. & Szegedy, C. 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在国际机器学习会议448–456（PMLR，2015）。
Srivastava, N.、Hinton, G.、Krizhevsky, A.、Sutskever, I. 和 Salakhutdinov, R. Dropout：防止神经网络过度拟合的简单方法。J·马赫。学习。资源。 15，1929 年至 1958 年（2014 年）。
德容，D.H.等人。改进了马提尼粗粒蛋白质力场的参数。J.化学。理论计算。 9，687–697 (2013)。
Yesylevskyy, S. O., Schäfer, L. V., Sengupta, D. & Marrink, S. J. 粗粒马丁尼力场的极化水模型。公共科学图书馆计算。生物。 6，e1000810 (2010)。
Hünenberger, P. H. 在用于分子动力学模拟的恒温器算法（Holm, C. 和 Kremer, K. 编辑）105–149（Springer，2005 年）。
Eisenhaber, F.、Lijnzaad, P.、Argos, P.、Sander, C. 和 Scharf, M。双立方晶格方法：表面积和体积数值积分以及分子组装体点表面轮廓的有效方法。J. 计算机。化学。 16，273–284 (1995)。
Sievers, F. 和 Higgins, D. G. Clustal omega。电流。协议。生物信息。 48，1.25.1-1.25.33 (2014)。
马德拉，F.等人。2022 年 EMBL-EBI 提供搜索和序列分析工具服务。核酸研究。 50，276–279 (2022)。
Waterhouse, A. M.、Procter, J. B.、Martin, D. M. A.、Clamp, M. 和 Barton, G. J. Jalview 版本 2 – 多序列比对编辑器和分析工作台。生物信息学 25，1189-1191 (2009)。
克鲁克斯，G.E.，Hon，G.，钱多尼亚，J.-M。& Brenner, S. E. WebLogo：序列徽标生成器。基因组研究。 14，1188-1190 (2004)。
Njirjak，M.等人。ML 肽自组装。泽诺多 https://doi.org/10.5281/zenodo.13847868（2024）。
关于《通过混合深度学习引导的生成式人工智能重塑自组装肽的发现》的评论
暂无评论