AI蛋白质报告-2024.08-49正式版.ppt

1.12

3

1.24

5

1.2.11.2.26

1.2.37

9

2.12.1.110

11

2.1.212

序号时间模型发表期刊架构缺点输入：蛋白质序列；算法：通过比较目标蛋白与已知功能的蛋白质之间的相似性，然后采用一种相似性加权算法来预测目标蛋白的功能；11980sBlastKNN/早期机器学习算法，效率低输入：蛋白质序列和PPI网络；算法：基于卷积神经网络（CNN）的深度学习分类模型，使用3-mer编码蛋白质序列，取序列特征。对于PPI网络，采用DeepWalk生成每个蛋白质的256维网络拓扑特征；层次化分类网络需要巨大的内存资源，难以应用于大规模标签22018年DeepGOBioinformatics序列特征及蛋白质结构来预测其功能；输入：蛋白质序列和结构；算法：基于图注意力网络（GAT）的方法，它BriefingsinBioinformatics利用预训练的蛋白质序列语言模型。GAT-GO输入蛋白质序列，提取序列特征、残基级特对于长序列蛋白质，对蛋白质结构数据精度要求很高782022年2024年GAT-GO征和结构特征，从而预测功能；输入：蛋白质序列；算法：使用预训练的大型语言模型从蛋白质序列预测GO功能，通过生成多个近似GO模型，并用神经网络预测蛋白质功能的真值；当序列与PPIs结合时性能最佳，许多新蛋白质没有已知的相互作用限制了组合模型的应用DeepGO-SENatureMachineIntelligence13

2.214

序号时间模型团队架构应用范围DNN-PPI基于深度神经网络，包含卷积神经网络（CNN）和长短期记忆（LSTM）两个独立的顺序层，从蛋白质序列中学习的特征以自动预测PPI。12018年DNN-PPI天津大学团队预测蛋白质-蛋白质相互作用基于深度学习，先建立复合物的多序列比对，以推断进化关系，然后用与AlphaFold2基本相同的深度学习方法来预测三级结构。3262021年2021年2022年AlphaFold-MultimerEquiDockDeepMind麻省理工学院麻省理工学院预测蛋白质复合物三维结构EquiDock模型，假设蛋白质内的构象在结合过程中没有发生构象变化的情况下，在单个未结合的结构中计算预测蛋白质-蛋白质复合物的3D结构的模型。预测蛋白质-蛋白质复合物结构以EquiDock为基础，依赖SE(3)－等变图神经网络，以配体分子图的随机三维构象和受体结构作预测蛋白质-小分子复合物结构为输入，预测结合蛋白质配体构象。EquiBindDeepTrio是一种使用掩码多个并行卷积神经网络的评分以及排名。算法整体思路与DiffDock接近，使用机器学习方法学习将未结合的蛋白质结构翻译和旋转为其结合构象，对评分模型生成的不同姿势，进行排序并选择最佳姿势。92023年2023年DIFFDOCK-PPHIGH-PPI麻省理工学院预测蛋白质-蛋白质结合结构基于层次图学习技术的深度学习，描述蛋白质之间的相互作用，每种蛋白质就是一个节点，蛋白质之间的相互作用就是图的边，关键氨基酸或残预测蛋白质-蛋白质相互作用基组合就是图的节点，物理位置相邻的残基以边相连。腾讯AILab联合香港科技大学、中国科学院大学相关团队10端到端的深度学习方法，使用与RoseTTAFold相DavidBaker团队同的数据集进行训练，并增加了所有RNA、蛋白质-RNA和蛋白质-DNA复合物的结构信息。预测核酸结构和蛋白质-核酸复合物结2023年RoseTTAFold2NAAlphaFold-latest对包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物进行联合结构预测DeepMind必威体育精装版版本的AlphaFold。15

16

2.3蛋白质设计17

18

序号时间模型团队架构应用范围1逆折叠白质、对称重234粒和目标蛋白物。计、对称低聚序或酶活性位以及蛋白质结计。蛋白质序列19

2.4蛋白质组学20

序号时间应用团队架构应用范围1发现23及精准医疗发现及疾病预防21

3.1新药研发23

3.1.124

序号成立时间企业名称平台应用场景必威体育精装版融资轮次商业模式合作企业管线情况/成果抗体药物研发——从头生成、先导化合物优化、细胞因子生物IntegratedDrugCreation?平台诺华、梯瓦、维森特、IGM公2012年2012年2013年ABSci2021年7月上市2020年纳斯达克上市2020年A轮自研管线/合作管线自研管线数条药物管线数余条管线，ABCL575和ABCL635两条目前正在进行IND研究LabGenius与赛诺菲合作优化NANOBODY?蛋白，获得积极成果阿斯利康、AImirall、艾伯维AbCelleraLabGeniu