蛋白质序列 - 梅斯AI导航站

Cradle Bio

Cradle platform speeds up protein design with AI algorithms. 重点领域：治疗学、诊断学、食品、化学品和农业主要合作伙伴：诺和诺德、强生、Grifols 和 Twist Biosciences 最新消息：B 轮融资7300 万美元 Cradle Bio 使用生成式 AI 帮助生物学家设计改良蛋白质

Generate Biomedicines

领先资产技术：抗TSLP抗体疾病领域：免疫学、传染病和免疫肿瘤学最新消息：与诺华公司合作发现和开发蛋白质疗法自2020年崭露头角以来，Generate Biomedicines作为生成生物学领域的领导者，取得了显著进展，利用人工智能发现和开发创新型候选药物。该公司的人工智能技术名为Generate平台，该平台以连续循环的方式运行，生成蛋白质序列以解答特定的治疗问题，将计算生

PrefixProt

1. 本研究介绍了 PrefixProt，这是一个新颖的框架，它通过利用预训练蛋白质语言模型 (ProtLM) 上的前缀调整来实现可控蛋白质设计。它使用学习到的虚拟标记作为模块化控制标签，引导蛋白质生成朝着所需的结构和功能特性发展。 2. PrefixProt 最引人注目的特性在于它能够通过组合不同的虚拟标记来生成具有多种用户自定义属性（例如结构和功能）的蛋白质，而无需重新训练基础模型。这种组合

PRO-LDM

1.PRO-LDM 引入了一种模块化潜在扩散模型，用于全长蛋白质序列设计，该模型兼具无条件生成和功能优化，将准确性与计算效率完美结合。 2. 一项重大创新在于在潜在空间中应用扩散，显著降低采样成本，同时保持生成序列的保真度和多样性。 3. PRO-LDM 通过将条件潜在扩散与监督适应度预测相结合，实现了具有目标特性（例如荧光、溶解度、热/化学稳定性）的蛋白质序列的可控设计。 4. 通过无分类

PDeepPP

1. PDeepPP 通过将 ESM-2 蛋白质语言模型嵌入与混合 Transformer-CNN 架构融合，引入了统一的肽识别深度学习框架。该设计在各种生物信息学任务中均实现了高精度和可扩展性。 2. PDeepPP 在 33 项基准生物学任务中的表现显著优于先前的方法，包括抗菌、抗癌和糖基化位点识别。在抗菌肽检测中，其准确率达到 97.26%，PR AUC 为 0.9977，在抗疟药检测

MegaFold