新方法通过3D接触监督增强蛋白质语言模型

研究人员开发了LC-SEPLM，一种通过整合长程接触监督来增强蛋白质表示学习的新方法。这种适应性方法应用于使用LoRA的ESM2模型，明确训练模型识别三维残基接触，这是仅序列模型无法直接捕捉的特征。通过在大量AlphaFold预测的蛋白质结构数据集上进行训练，LC-SEPLM在八项蛋白质级别任务上表现出显著的改进，尤其提高了远程同源性识别能力，并优于现有基准。 AI

影响 通过将结构信息整合到基于序列的模型中，这项研究可能带来更准确的蛋白质结构预测和功能分析。

排序理由 该集群描述了一篇关于蛋白质表示学习新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• AlphaFold
• arXiv
• ESM2
• Hugging Face
• LC-SEPLM
• LoRA
• Swiss-Prot

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →