定量生物学 > 定量方法
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.