- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子发烧友
上（市场篇）| 量子计算加速蛋白质折叠
蛋白质折叠是什么 蛋白质折叠（Protein folding）是蛋白质获得其功能性结构和构象的物理过程。通过这一物理过程，蛋白质从无规则卷曲折叠成特定的功能性三维结构。 在从mRNA序列翻译成线性的氨基酸链时，蛋白质都是以去折叠多肽或无规则卷曲的形式存在。 蛋白质的基本单位为氨基酸，而蛋白质的一级结构指的就是其氨基酸序列。 目前的问题在于，虽然蛋白质可在短时间从一级结构折叠至立体结构，研究者却无法在短时间中从氨基酸序列计算出蛋白质结构，甚至无法得到准确的三维结构。因此，研究蛋白质折叠的过程，可以说是破译折叠密码的过程。 “皇冠上的明珠”——蛋白质折叠问题的难度探讨 人体和其他生物体内的蛋白质，都由多种折叠而成。数千个氨基酸组成的长链能自发地折叠成一个稳定的三维结构。 因为氨基酸折叠成蛋白质的力学原理很明确，包括氢键、范德华力、疏水作用等相互作用，上千个氨基酸折叠后形成的三维结构，达到了力学最稳态。 不过实际上，蛋白质折叠问题的难度非常大。
77830编辑于 2023-02-24 - 来自专栏量子发烧友
下（应用篇）| 量子计算加速蛋白质折叠
本文将延续上篇文章，通过应用VQE算法模拟解决蛋白质折叠问题的实验，解决使用传统方法耗时长、准确率低的问题，从而极大提升现代分子生物学的研究效率，为破解蛋白质折叠谜题带来新希望，进一步推动科学界前进。 实施原理 将蛋白质折叠中氨基酸的数量与量子计算机中的量子比特数对应上，然后用这些量子比特的哈密顿量的本征态演化过程来模拟蛋白质折叠过程，这是一个类比过程，当量子从基态演变为一个稳定的本征态时，我们认为蛋白质折叠也达到了一个稳定状态 2.6 蛋白质折叠问题 基于定义的肽、相互作用和我们为模型定义的惩罚项，我们定义了返回量子位算子的蛋白质折叠问题，也就是返回最终的蛋白质折叠构型。 具体折叠方式取决于最小哈密顿量对应的蛋白质折叠构型。 图八中，每个哈密顿量乘上图六中对应的蛋白质折叠构型系数Hy就是该蛋白质折叠的最小能量哈密顿量，也就是蛋白质折叠的最小能量Egrd。 同时量子计算加速了蛋白质折叠问题的研究，提升了蛋白质折叠问题的效率，之前使用其他的方法解决蛋白质折叠问题时，即便一个典型的蛋白质也有10^300种可能的构型，使用VQE算法后，蛋白质折叠问题得到了指数级的简化
1.1K20编辑于 2023-02-24 - 来自专栏DrugOne
IBM : 用于蛋白质折叠的新型量子算法
蛋白质必须折叠成复杂的形状才能执行这些功能，并通过单个氨基酸之间的链接锁定到位。一种典型的蛋白质在形成后的几毫秒内折叠成最终形式，没有人知道这是如何发生的。 为什么蛋白质折叠如此困难 如果你拿到一个未折叠的蛋白质且你想折叠它，你可以先测试不同的折叠方式，并沿着链连接氨基酸。但很快就会明白这是一项不可能完成的任务。 研究人员已经发现在细胞中的化学“伴侣”，似乎在蛋白质折叠予以帮助。还有证据表明，这些分子伴侣在蛋白质折叠后的作用中发挥作用。但完整的画面尚未出现。 弄清楚蛋白质如何如此快速地折叠和展开，可能需要一种在计算机上模拟蛋白质折叠的可靠、快速的方法。到目前为止，还没有人成功完成这项工作。 他们使用新方法在 IBM Quantum 20 量子位处理器上成功折叠了模型蛋白质。 量子方法不是花费计算资源检查蛋白质的每个可能折叠，而是将所有物理上有意义的折叠蛋白质的方式叠加成模型哈密顿量。
1.1K50发布于 2021-10-21 - 来自专栏智药邦
Nature｜人工智能助力蛋白质折叠预测
在该文章中，多位专家对AI应用于蛋白质折叠预测的现状和问题进行了评述。 以下是全文内容。 蛋白质如何形成其三维结构的基本物理化学规则仍然过于复杂，人类无法解析，因此这个"蛋白质折叠问题"几十年来一直没有解决。 研究人员已经研究出了大约16万种蛋白质（来自所有生命世界）的结构。 Zhang认为AlphaFold2是深度学习力量的一个引人注目的展示，但只是蛋白质折叠问题的部分解决方案。 由AlphaFold建模的6种不同蛋白质结构的三维结构 这些由AlphaFold2生成的预测突出了蛋白质的结构多样性。 DeepMind团队还为蛋白质折叠问题设计了创新的解决方案。 Zhang预计，该软件将很快摘完蛋白质组的低垂果实。他说："他们可能可以折叠所有的单域蛋白。但许多蛋白质仍然是一个挑战，例如那些由多个独立的功能单元组成的、由相对灵活的连接元素连接的蛋白质。
76830编辑于 2021-12-06 - 来自专栏DrugOne
ICLR 2023 | 迈向高效有效的蛋白质反向折叠
Li团队的一篇蛋白质设计论文。如何有效且高效地设计能折叠成所需结构的蛋白质序列呢？ 图 1 蛋白质是由氨基酸组成的线性链，通过折叠成3D结构来控制细胞过程，例如转录、翻译、信号传导和细胞周期调控。为了人类目的创造新的蛋白质可以加深我们对生命系统的理解，并促进对抗疾病的斗争。 其中一个关键问题是设计能够折叠成所需结构的蛋白质序列，即基于结构的蛋白质设计。近年来，许多深度学习模型已经被提出来解决这个问题，其中图形模型取得了重要进展。然而，模型的准确性和效率仍有提升的空间。 模型架构 图 2 图2中展示了PiFold的整体框架，其中输入是蛋白质结构，输出是预期能够折叠成输入结构的蛋白质序列。提出了一种新颖的残基特征提取器和PiGNN层，用于学习具有表达能力的残基表示。 短链"数据集包含长度不超过100的蛋白质，"单链"数据集包含在蛋白质数据库中记录为单链的蛋白质。
56230编辑于 2023-09-19 - 来自专栏DrugOne
. | 通过折叠扩散生成蛋白质结构
文章讲述了一种计算方法，这种方法能够生成新的、在物理上可折叠的蛋白质结构，这对于新的生物学发现以及针对当前还无法治愈的疾病的新疗法具有重要意义。 图 1 在这里，作者受到蛋白质折叠过程生物物理学的启发，介绍了一个作用于蛋白质主链中残基间角度而非笛卡尔原子坐标的生成模型（图1）。 尽管这种角度去噪声过程并没有直接捕捉到任何生物物理折叠过程，但它从蛋白质如何扭曲并折叠成最终结构中汲取了灵感；因此，作者将这种方法命名为FoldingDiff。 在蛋白质设计中，结构的设计性反映了是否能够使用当前方法确定一个可能折叠成该指定主链结构的氨基酸序列。能够产生高比例设计性结构的生成模型对于下游蛋白质工程应用更为有用。 TM得分≥0.5通常表明两个主链处于相同的蛋白质折叠中，作者将scTM≥0.5视为自洽且因此可设计的。
43810编辑于 2024-03-18 - 来自专栏GiantPandaCV
AlphaFold技术揭秘----DeepMind如何破解蛋白质折叠预测难题
视频开篇简要介绍了下蛋白质和氨基酸的相关的知识，还有目前预测蛋白质结构的困难。 蛋白质的功能主要由其3d结构决定，而与组成其成分的氨基酸关系不大。 目前已有的蛋白质结构推断方法是比如 X射线晶体衍射技术，但是这个过程极其复杂而且价格也很昂贵。 所以如果能通过计算机模型，输入氨基酸序列或者DNA序列就能预测出蛋白质的三维结构，那么不仅剩钱也能加速整个研究的进程。 AlphaFold1 先看下两张系统示意图： ? ? 本质上第一阶段要解决的就是一个 image to image 的问题 第二阶段： 首先构建了一个可微分蛋白质几何模型，然后把这个模型的输出与第一阶段网络的预测结果计算loss。 再通过单纯的梯度下降回传，修正几何模型中蛋白质的扭转角度，得到新的预测结果，再计算loss，再回传，反复迭代直到稳定之后，就得到了蛋白质的三维结构。 AlphaFold2 ?
1.5K20发布于 2020-12-22 AlphaFold五年：AI破解蛋白质折叠的代码革命
五年前，AlphaFold 2解决了蛋白质结构预测问题，开启了生物学研究的新途径，并首次有力证明了人工智能可以成为推动科学的强大工具。蛋白质是驱动活细胞内每个过程的复杂微观机器。 它们由独特的长链氨基酸组成，精确折叠成很大程度上决定其功能的3D结构——了解这种形状对于药物发现和认识疾病至关重要。如果蛋白质错误折叠，它可能丧失功能并导致疾病，如阿尔茨海默症和帕金森症。 在2020年的CASP 14（蛋白质结构预测关键评估）竞赛中，AlphaFold 2仅根据氨基酸序列就以惊人的准确度预测了蛋白质结构——这一成就被广泛誉为解决了生物学中这个存在50年的重大挑战。 一年后，我们发布了AlphaFold 2对超过2亿种蛋白质结构的预测，实现了实验方法需要数亿年才能完成的工作。免费提供的AlphaFold蛋白质数据库以前所未有的规模加速了科学发展。 迄今为止，它已为全球数千名研究人员完成了超过800万次折叠——即结构和相互作用的预测。人工智能用于科学的未来受AlphaFold的启发，我们已经开发了新一代模型来解决整个生物学领域的问题。
45610编辑于 2026-01-05- 来自专栏镁客网
蛋白质的新“折叠”！DeepMind重磅推出家族新成员AlphaFold
“小奇妙”阿尔法折叠 据DeepMind介绍，阿尔法折叠这项成果的重大意义就在于，你给它一段基因序列（生物学上称其为蛋白质一级结构），在电脑上跑一下，就可以成功对这种蛋白质建模。 在过去五十年，和阿尔法折叠起到相同功能的技术有冷冻电子显微镜、核磁共振或X射线晶体学等实验技术。 有了阿尔法折叠就不一样了，生物学家再也不用在实验器材面前耗费数十年的光阴，只需要简单录入数据就好。 当然，阿尔法折叠的好处不仅这么点，最终它还是惠及到我们普罗大众的身上。 ? 想象一下，通过阿尔法折叠，提前十年检测老年痴呆就容易多了，只要通过电脑看下蛋白质长得是否有差异就可以了。 人工智能对蛋白质结构的“深度宠爱” 这一次，让阿尔法折叠一战成名的还是一项比赛。 而阿尔法折叠的出现，让生物学家省去了不少功夫。
80040发布于 2018-12-21 - 来自专栏智药邦
Nat Methods｜ColabFold：让所有人都能进行蛋白质折叠
ColabFold通过将MMseqs2的快速同源搜索与AlphaFold2或RoseTTAFold相结合，提供了蛋白质结构和复合物的加速预测。 与Google Colaboratory相结合，ColabFold成为一个免费的、可获得的蛋白质折叠平台。 这些环境数据库包含了从元基因组和转录组实验中提取的数十亿的蛋白质。由于其庞大的规模，搜索一个单一的蛋白质可能需要几个小时，且需要超过2TB的存储空间。 鉴于真核生物蛋白质的多样性在BFD和MGnify数据库中没有得到很好的体现，环境搜索数据库提供了一个改善非细菌序列结构预测的机会。 总之，结果表明，短于1,000个氨基酸的1,762个蛋白质组成的Methanocaldococcus jannaschii蛋白质组可以在48小时内完成预测，在一台Nvidia Titan RTX上的pLDDT
3.6K20编辑于 2022-06-08 - 来自专栏大数据文摘
折叠革命，深度学习通过氨基酸序列预测蛋白质结构
由氨基酸和蛋白质组成的长链，将它们自己折叠成精准3D结构，可以管理分子间活动的复杂问题。 “我们现在对探索蛋白质折叠有了全新远景，同时我觉得我们正在一步步深入本质。” 理论的提出 虽然理论的探索非常成功，但使用物理工具识别蛋白质结构的过程却是昂贵和费时的。 因此，绝大多数蛋白质结构，以及致病突变对这些结构的影响在很大程度上仍是未知的。 如果能设计出计算蛋白质折叠的算法，是极有潜力大幅度降低塑造结构的成本和时间。但是这个问题一直困扰着我们长达四十年之久。 可视化模拟AlQuraishi的蛋白质折叠深度学习方法。该模型通过反复预测结构(彩色)并将其预测与地面真实结构(灰色)进行比较来训练。 AlQuraishi说: 准确、有效地预测蛋白质折叠一直是这个领域的圣杯，我期待这种方法，连同所有其他已经开发出来的杰出方法，在不久的将来能够做到这一点。
1.2K20发布于 2019-05-13 - 来自专栏机器之心
机器学习遇见生物学：详解蛋白质折叠预测中的算法
蛋白质折叠问题耗费巨大，而使用机器学习或许能够更为高效、准确地解决这一难题。本文介绍了目前这一领域遇到的问题，以及机器学习怎样帮助解决的具体算法。 蛋白质折叠问题一直是一个耗费巨大的难题，但是这个难题的解决又对人类具有巨大的意义。于是各个研究机构都开始寻找蛋白质折叠问题的不同解，希望找到一种高效、准确的方式来解决这一难题。 不幸的是，经过数十年的研究，科学家们也都发现了这个难题是无法被绕开的——DNA 仅包含蛋白质的一级结构信息，却并不能探测到这些蛋白质是如何折叠的（3D 结构是如何的）。 这时问题也就提出来了，即所谓的「蛋白质折叠问题」——预测这些链（一级结构）是如何折叠成复杂的 3D 结构的。 然后预测蛋白质骨架的折叠角度，根据蛋白质骨架的折叠角度，把结构切割成一系列有重叠的 9 个氨基酸残基为单位的短肽，分别预测，再组装到一起，预测整个结构域的结构。最后，把折叠好的结构组装到一起。
1.3K10发布于 2019-12-24 - 来自专栏DrugOne
TCBB｜基于多视角图嵌入学习模型识别蛋白质折叠结构
蛋白质折叠识别对于蛋白质结构预测和药物设计都至关重要。目前已经提出一些方法来从蛋白质序列提取有识别度的特征来进行折叠识别，但是如何集成这些特征以提高预测准确性，仍是一个具有挑战性的问题。 一、研究背景 蛋白质三级结构的识别对于理解蛋白质的功能特性、蛋白质和蛋白质的相互作用、蛋白质功能的含义等具有重要意义。蛋白质折叠识别是根据蛋白质序列来预测蛋白质的三维结构。 通常，相同的蛋白质折叠具有相似的主要二级结构和功能。因此蛋白质折叠识别对于蛋白质结构鉴定和功能注释具有至关重要的作用。 因此，假设来自蛋白质序列的多个视图存在一个共享的子空间，本文提出一种基于自动加权的多视角图嵌入学习模型来预测蛋白质折叠类型，称为AWMG。 AWMG与其他分类算法在两个数据集上的实验结果 不同折叠类型的蛋白质序列具有特殊的属性，本文利用最相邻序列来构建每个视角的拉普拉斯矩阵，因此矩阵可以获得获得不同折叠的局部邻居信息。
1.3K41发布于 2021-02-02 - 来自专栏智能生信
TCBB｜基于多视角图嵌入学习模型识别蛋白质折叠结构
蛋白质折叠识别对于蛋白质结构预测和药物设计都至关重要。目前已经提出一些方法来从蛋白质序列提取有识别度的特征来进行折叠识别，但是如何集成这些特征以提高预测准确性，仍是一个具有挑战性的问题。 一、研究背景 蛋白质三级结构的识别对于理解蛋白质的功能特性、蛋白质和蛋白质的相互作用、蛋白质功能的含义等具有重要意义。蛋白质折叠识别是根据蛋白质序列来预测蛋白质的三维结构。 通常，相同的蛋白质折叠具有相似的主要二级结构和功能。因此蛋白质折叠识别对于蛋白质结构鉴定和功能注释具有至关重要的作用。 因此，假设来自蛋白质序列的多个视图存在一个共享的子空间，本文提出一种基于自动加权的多视角图嵌入学习模型来预测蛋白质折叠类型，称为AWMG。 AWMG与其他分类算法在两个数据集上的实验结果 不同折叠类型的蛋白质序列具有特殊的属性，本文利用最相邻序列来构建每个视角的拉普拉斯矩阵，因此矩阵可以获得获得不同折叠的局部邻居信息。
74510发布于 2021-02-04 - 来自专栏智药邦
Nature｜AlphaFold和AI蛋白质折叠革命的下一步是什么
能够预测蛋白质三维结构的DeepMind软件已经在改变生物学。 2022年4月13日，Nature杂志发表文章，多位科学家就AlphaFold和AI蛋白质折叠的现状和未来阐述了自己的观点。 梦想中的蛋白质：将神经网络预测的蛋白质结构与实际结构进行比较的图形 2021年12月，Baker和他的同事报告说在细菌中表达了129个这些hallucinated的蛋白质，并发现其中大约五分之一的蛋白质折叠成类似于其预测的结构 在每个例子中，AlphaFold都会呈现一个随机的氨基酸序列，预测结构，并改变序列，直到软件自信地预测它将会折叠成一个具有明确的三维结构的蛋白质。 AlphaFold旨在预测单个肽链的形状，其训练完全由此类蛋白质组成。但该网络似乎已经了解了一些关于复合物如何折叠在一起的知识。 Jumper预计，这将需要网络更好地预测一个蛋白质如何从其未折叠状态转为折叠状态。
52520编辑于 2022-06-08 - 来自专栏全栈程序员必看
cshtml折叠
折叠效果 折叠代码 //#region 说明 function myfunction() { } //#endregion 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
2K60编辑于 2022-09-07 - 来自专栏帮你学MatLab
曲线折叠
曲线折叠 clear ; close all; %正常绘图 x=0:0.005:5; y=exp(-6*x).*sin(x*40)*6+exp(5*x)*5e-11. title('Before'); legend('a','a+2'); xlim([0 5]); end drawnow; cutout(a(2),1,4,0.2); %将a(2)的1到4部分折叠为长度 0.2的虚线段 title('After'); 折叠曲线的函数 function cutout(axes_handle,Start,End,Gap) xt=axes_handle.XTick; xl
2.2K20发布于 2019-04-30 - 来自专栏frytea
vim 代码折叠之设置默认代码不折叠
配置 foldmethod 可以定义折叠方式，有6种可选方式： 1. manual //手工定义折叠 2. indent //用缩进表示折叠 3. expr //用表达式来定义折叠 4. syntax //用语法高亮来定义折叠 5. diff //对没有更改的文本进行折叠 6. marker //用标志折叠 我选用 syntax 来定义折叠，这种方式比较简单，但是当配置完这个值后，你打开代码，就会发现 vim 默认把所有代码都折叠了，这显然不是我想要的，google一番后找到办法，设置 foldlevelstart 为99后，打开默认没有折叠。 配置： "使用语法高亮定义代码折叠 set foldmethod=syntax "打开文件时默认不折叠代码 set foldlevelstart=99 参考文献# vim的代码折叠：设置默认代码不折叠
1K30编辑于 2023-10-18 - 来自专栏sktj
bootstrap 折叠
image.png <button type="button" class="btn btn-primary" data-toggle="collapse" data-target="#demo"> 简单的可折叠组件 panel-title"> 点击我进行展开，再次点击我进行折叠 panel-title"> 点击我进行展开，再次点击我进行折叠 panel-title"> 点击我进行展开，再次点击我进行折叠 panel-title"> 点击我进行展开，再次点击我进行折叠
2.7K20发布于 2019-07-05 - 来自专栏DrugOne
. | 引入掩码先验的扩散建模优化逆蛋白质折叠预测
逆蛋白质折叠旨在生成可折叠为目标蛋白质结构的有效氨基酸序列。尽管近年来深度学习方法在该领域表现出强大潜力，但在预测具有高度结构不确定性区域（如无序区域）方面仍存在挑战。 蛋白质是由线性氨基酸序列折叠形成的复杂三维结构，几乎参与所有关键的生物过程，如代谢调控、免疫反应和细胞周期控制。 逆蛋白质折叠（inverse protein folding, IPF）任务旨在根据指定的蛋白质三维骨架，设计出能够稳定折叠为该结构的氨基酸序列，是蛋白质设计与合成生物学中的核心问题之一。 MapDiff 框架设计与基本原理 MapDiff 将逆蛋白质折叠建模为一个离散的扩散与去噪过程。通过一系列的离散噪声添加操作，原始氨基酸序列被逐渐转化为无序表示。 讨论 研究人员提出的 MapDiff 框架突破了现有逆折叠方法在建模复杂序列-结构映射中的局限，展示了掩码引导扩散模型在蛋白质设计任务中的巨大潜力。
28510编辑于 2025-06-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号