用深度学习预测与设计蛋白质复合物结构，提升药物研发效率
Deep Learning for Protein Complex Prediction and Design
- 设计专用神经网络捕捉蛋白质的分层结构特征
- 开发高效搜索算法在庞大序列空间中寻找互作同源蛋白
- 适合计算结构生物学与新药设计研究人员参考
准确建模与设计蛋白质复合物结构是计算结构生物学的核心问题，对理解细胞功能和开发治疗药物具有重要意义。本文利用深度学习研究该问题的两个关键方面：一是设计能够捕捉蛋白质结构层次特性的领域专用架构；二是开发高效的搜索算法，以在庞大的蛋白质复合物序列空间中识别相互作用的同源蛋白，从而提升复合物结构预测精度，并实现蛋白质序列的设计。
原文摘要 · Abstract (English)
Accurately modeling and designing protein complex structures is a central problem in computational structural biology, with broad implications for understanding cellular function and developing therapeutics. This thesis investigates two fundamental aspects of this problem using deep learning: domain-specific architectures that capture the hierarchical nature of protein structures, and search algorithms that efficiently navigate the vast sequence spaces of protein complexes to identify interacting homologs for improving complex structure prediction and to design protein sequences.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。