由于其复杂的排列和动态功能，蛋白质通过采用简单构建块的独特排列来执行大量的生物任务，其中几何形状是关键。将这种几乎无限的排列库转化为各自的功能，可以让研究人员为特定用途设计定制蛋白质。
在《应用物理学杂志》上，麻省理工学院的马库斯·比勒(Markus Buehler)将注意力神经网络(通常被称为变压器)与图形神经网络结合起来，以更好地理解和设计蛋白质。该方法将几何深度学习的优势与语言模型的优势结合起来，不仅可以预测现有的蛋白质特性，还可以设想自然界尚未设计的新蛋白质。
Buehler说:“有了这种新方法，我们可以利用大自然创造的所有知识基础，通过对潜在原理进行建模。”“该模型重新组合了这些自然构建块，以实现新功能并解决这些类型的任务。”
由于其复杂的结构，多任务的能力，以及溶解时形状变化的趋势，蛋白质一直是出了名的难以建模。机器学习已经证明了将控制蛋白质行为的纳米级力量转化为描述其功能的工作框架的能力。然而，以另一种方式——将期望的功能转化为蛋白质结构——仍然是一个挑战。
为了克服这一挑战，Buehler的模型将数字、描述、任务和其他元素转换为符号，供他的神经网络使用。
他首先训练他的模型来预测不同蛋白质的序列、溶解度和氨基酸组成部分及其功能。然后，他教它在接收到新蛋白质功能的初始参数后，变得有创造力，并产生全新的结构。
这种方法使他能够制造出固体版本的抗菌蛋白，而以前必须溶解在水中。在另一个例子中，他的团队将一种天然存在的丝蛋白进化成各种新形式，包括赋予其螺旋形状以获得更大的弹性，或赋予其褶皱结构以获得额外的韧性。
该模型完成了设计新蛋白质的许多核心任务，但比勒说，这种方法可以为更多的任务纳入更多的输入，从而可能使其更加强大。
“一个非常令人惊讶的因素是，这个模型表现得非常好，尽管它是为了能够解决多个任务而开发的。这可能是因为模型通过考虑不同的任务学到了更多东西。”“这一变化意味着，研究人员现在可以从多任务和多模式模型的角度进行广泛思考，而不是为特定任务创建专门的模型。”
这种方法的广泛性意味着该模型可以应用于蛋白质设计以外的许多领域。
“虽然我们目前的重点是蛋白质，但这种方法在材料科学中具有巨大的潜力，”比勒说。“我们特别热衷于探索材料的失效行为，旨在设计具有特定失效模式的材料。”
本文来自作者[admin]投稿，不代表晌冉号立场，如若转载，请注明出处：https://www.s-ran.com/zlan/202508-8260.html
评论列表（4条）
我是晌冉号的签约作者“admin”！
希望本篇文章《利用神经网络创新蛋白质设计》能对你有所帮助！
本站[晌冉号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：由于其复杂的排列和动态功能，蛋白质通过采用简单构建块的独特排列来执行大量的生物任务，其中几何形状是关键。将这种几乎无限的排列库转化为各自的功...