Artificial intelligence-aided protein engineering: from topological data analysis to deep protein language models
원문 초록
Protein engineering is an emerging field in biotechnology that has the potential to revolutionize various areas, such as antibody design, drug discovery, food security, ecology, and more. However, the mutational space involved is too vast to be handled through experimental means alone. Leveraging accumulative protein databases, machine learning (ML) models, particularly those based on natural language processing (NLP), have considerably expedited protein engineering. Moreover, advances in topological data analysis (TDA) and artificial intelligence-based protein structure prediction, such as AlphaFold2, have made more powerful structure-based ML-assisted protein engineering strategies possible. This review aims to offer a comprehensive, systematic, and indispensable set of methodological components, including TDA and NLP, for protein engineering and to facilitate their future development.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
PSBench: a large-scale benchmark for estimating the accuracy of protein complex structural models
Vilya-1: 거대고리 구조 예측 및 설계를 위한 전원자 파운데이션 모델
Vilya-1: An all-atom foundation model for macrocycle structure prediction and design
거대고리 펩타이드(macrocyclic peptide)는 점점 중요해지는 치료 방식이지만, 그 구조와 특성을 모델링하는 기존 계산 방법들은 적용 범위가 제한적이며 합성 가능한 화학 공간 전반에 걸쳐 일반화 성능이 부족하다. 본 연구에서는 거대고리 설계의 두 가지 핵심 과제, 즉 임의의 화학 구조에서 생물학적으로 관련된 형태(conformation)를 샘플링하는 것과 막 투과성(membrane permeability)과 같은 주요 개발 가능성(developability) 특성을 예측하는 것을 해결하는 심층 학습 모델인 Vilya-1을 소개한다. Vilya-1은 균일한 전원자(all-atom) 표현을 기반으로 작동하며, 다양한 토폴로지와 화학적 분류를 아우르는 이종 구조 데이터셋으로 학습된다. 정준(canonical) 및 비정준(non-canonical) 잔기로 구성된 광범위한 거대고리 집합에서 Vilya-1은 물리 기반 방법, 공동 폴딩 네트워크(co-folding network), 심층 학습 기반 형태 생성기에 비해 기하학적 정확도를 크게 향상시키며, 소분자까지 확장되는 넓은 화학적 커버리지를 유지한다. Vilya-1은 생성적 응용도 지원하여, 맞춤형 화학적·구조적·특성 프로파일을 갖춘 새로운 거대고리의 설계를 가능하게 한다. 이러한 기능들을 종합하면, Vilya-1은 차세대 거대고리 치료제 개발을 가속화하기 위한 파운데이션 모델로서의 위상을 확립한다.
오픈소스 신약 발굴 엔진을 활용한 폴딩, 추론, 스케일링
Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine
생체분자 상호작용을 정확하게 모델링하는 것은 생물학 및 치료제 발굴에서 핵심적인 병목 과제이다. 본 연구에서는 오픈소스 전원자(all-atom) 생체분자 파운데이션 모델인 Open Drug Discovery Engine(OpenDDE)을 소개한다. OpenDDE는 공동 폴딩(co-folding)을 확장 가능한 AI 기반 신약 발굴 엔진의 진입점으로 활용한다. 구조 예측을 독립적인 최종 목표로 취급하는 대신, OpenDDE는 생체분자 복합체 전반에 걸쳐 서열-구조-기능 관계를 모델링하기 위한 공유 구조적 추론 층으로 설계되었으며, 오늘날의 복합체 구조 예측을 가능하게 하는 동시에 드노보(de novo) 설계, 친화도 추정, 구조 조건부 최적화 등을 위한 기반을 제공한다. OpenDDE는 전원자 아키텍처, 원자 잠재 추론(atomic latent reasoning), 추론 최적화, 대규모 데이터 처리의 최신 발전을 통합하여 재현 가능하고 공개적으로 접근 가능한 프레임워크 내에서 IsoDDE 수준의 공동 폴딩 정확도를 달성한다. 또한 공동 폴딩 모델에 대한 두 가지 스케일링 법칙 방향을 제시하여, 데이터·모델·추론·학습 스케일링을 통한 지속적인 성능 향상의 실용적인 경로를 밝힌다. 학습 코드, 추론 파이프라인, 체크포인트, 벤치마크를 공개함으로써 OpenDDE는 최전선 생체분자 지능에 대한 접근을 민주화하고, 글로벌 협력을 가속화하며, 분자 구조 예측을 넘어 인류 건강을 위한 치료 후보물질을 설계·채점·최적화할 수 있는 차세대 신약 발굴 시스템을 위한 개방형 기반을 마련하고자 한다.
Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion
Aligning Protein Conformation Ensemble Generation with Physical Feedback
Transformers in Protein: A Survey
토론
이 논문과 연결된 포럼 글이 아직 없습니다.