.png){kind=icon}
返回
Protein sequence modelling with Bayesian flow networks
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-58250-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
探索广阔且 largely uncharted 的氨基酸序列领域对于理解复杂蛋白质功能以及新型治疗蛋白质的工程化至关重要。尽管生成式机器学习已推动蛋白质序列建模的发展，但现有方法在无条件和条件生成方面均不擅长。本研究提出，贝叶斯流网络（BFNs）——一种近期引入的生成建模框架——能够应对这些挑战。我们提出了 ProtBFN，一个在 UniProtKB 中整理的蛋白质序列上训练的 650M 参数模型，其能够生成自然、多样、结构一致且新颖的蛋白质序列，显著优于领先的自回归和离散扩散模型。此外，我们将 ProtBFN 在 Observed Antibody Space 中的重链上微调，获得抗体专用模型 AbBFN，并用于评估零样本条件生成能力。研究发现，AbBFN 在预测单个框架或互补决定区时，其表现与或优于抗体专用 BERT-style 模型。
Keyword:
ANTIBODIES
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
机构
暂无机构信息
引用论文
Observed Antibody Space: A diverse database of cleaned, annotated, and translated unpaired and paired antibody sequences观察到的抗体空间: 清洁，注释和翻译的未配对和配对抗体序列的多样化数据库
OAAI
OAAI分享收藏分享收藏ProteinGLUE multi-task benchmark suite for self-supervised protein modeling.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Role of framework mutations and antibody flexibility in the evolution of broadly neutralizing antibodiesELIFEOAAI
ELIFEIF0
OAAI分享收藏分享收藏
查看更多内容