.png){kind=icon}
返回
A text-guided protein design framework
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-025-01011-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前AI辅助蛋白质设计主要利用蛋白质序列和结构信息。与此同时，存在大量由人类整理并以文本格式描述蛋白质高级功能的丰富知识，然而将这些文本数据整合到蛋白质设计任务中能否发挥作用尚未得到探索。为填补这一空白，我们提出了ProteinDT，一个利用文本描述进行蛋白质设计的多模态框架。ProteinDT包含三个连续步骤：ProteinCLAP，用于对齐两种模态的表示；一个促进器，用于从文本模态生成蛋白质表示；以及一个解码器，用于从表示创建蛋白质序列。为训练ProteinDT，我们构建了一个包含441,000个文本与蛋白质配对的大型数据集SwissProtCLAP。我们在三个具有挑战性的任务上定量验证了ProteinDT的有效性：（1）文本引导蛋白质生成的准确率超过90%；（2）在12项零样本文本引导蛋白质编辑任务中取得最佳命中比；（3）在六项蛋白质属性预测基准中的四项上表现优异。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
暂无机构信息
引用论文
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics多粒度对称微分方程模型学习蛋白质-配体结合动力学.png)
IF0
PREAI
分享收藏Neural networks to learn protein sequence-function relationships from deep mutational scanning data
OAAI
OAAI分享收藏
分享收藏分享收藏分享收藏
查看更多内容