Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-bio > arXiv:2506.16091

帮助 | 高级搜索

定量生物学 > 定量方法

arXiv:2506.16091 (q-bio)
[提交于 2025年6月19日 ]

标题: 几何深度学习助力蛋白质工程 机遇与挑战

标题: Geometric deep learning assists protein engineering. Opportunities and Challenges

Authors:Julián García-Vinuesa, Jorge Rojas, Nicole Soto-García, Nicolás Martínez, Diego Alvarez-Saravia, Roberto Uribe-Paredes, Mehdi D. Davari, Carlos Conca, Juan A. Asenjo, David Medina-Ortiz
摘要: 蛋白质工程正在通过几何深度学习与计算设计工作流程的整合而经历一种范式转变。尽管传统策略(如理性设计和定向进化)已经取得了相关进展,但它们仍然受到序列空间复杂性和实验验证成本的限制。几何深度学习通过在非欧几里得域上操作,捕获了蛋白质功能所必需的空间、拓扑和理化特征,从而解决了这些局限性。本文概述了几何深度学习在稳定性预测、功能注释、分子相互作用建模和从头蛋白质设计中的当前应用。我们强调了模型泛化、可解释性和鲁棒性的最新方法学进展,特别是在数据稀缺条件下的进展。提出了一种统一框架,该框架将几何深度学习与可解释人工智能和基于结构的验证相结合,以支持透明、自主的设计。随着几何深度学习与生成建模和高通量实验的融合,它已成为下一代蛋白质工程和合成生物学的核心技术。
摘要: Protein engineering is experiencing a paradigmatic shift through the integration of geometric deep learning into computational design workflows. While traditional strategies, such as rational design and directed evolution, have enabled relevant advances, they remain limited by the complexity of sequence space and the cost of experimental validation. Geometric deep learning addresses these limitations by operating on non-Euclidean domains, capturing spatial, topological, and physicochemical features essential to protein function. This perspective outlines the current applications of GDL across stability prediction, functional annotation, molecular interaction modeling, and de novo protein design. We highlight recent methodological advances in model generalization, interpretability, and robustness, particularly under data-scarce conditions. A unified framework is proposed that integrates GDL with explainable AI and structure-based validation to support transparent, autonomous design. As GDL converges with generative modeling and high-throughput experimentation, it is emerging as a central technology in next-generation protein engineering and synthetic biology.
主题: 定量方法 (q-bio.QM)
引用方式: arXiv:2506.16091 [q-bio.QM]
  (或者 arXiv:2506.16091v1 [q-bio.QM] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.16091
通过 DataCite 发表的 arXiv DOI

提交历史

来自: David Medina-Ortiz [查看电子邮件]
[v1] 星期四, 2025 年 6 月 19 日 07:25:14 UTC (6,861 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
q-bio.QM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
q-bio

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号