Pfam
PulseAugur coverage of Pfam — every cluster mentioning Pfam across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法使用随机注意力条件化蛋白质生成
研究人员开发了一种新颖的通过无训练随机注意力采样器条件化蛋白质生成的方法。通过将多样性比率纳入采样器的logits中，可以将生成过程从广泛的蛋白质家族转移到特定的目标子集。该技术在五个Pfam家族中进行了测试，结果表明注意力机制准确地遵循了分析目标，尽管特定残基标记的恢复取决于通过主成分分析分离指定序列和背景序列。加权剖面HMM显示了更直接的标记恢复，而在涉及Kunitz序列的比较中，随机注意力实现了更低的困惑度。
-
AI工具PlantBGC增强植物生物合成基因簇的发现
研究人员开发了PlantBGC，一种新颖的、由AI驱动的工具，用于发现植物生物合成基因簇（BGC）。PlantBGC使用了一个仅编码器的Transformer模型，该模型在微生物BGC上进行训练，并通过无标签域自适应将其应用于植物基因组。与plantiSMASH等现有方法相比，这种方法显著提高了在植物中已知BGC的恢复率，并提供了更准确的边界识别。该系统还结合了来自GO和KEGG通路的弱监督信号以减少假阳性，展示了植物BGC发现效率和…
-
新的无训练方法可从小型比对生成新颖的蛋白质序列
研究人员开发了一种名为随机注意力（SA）的新型无训练方法，用于从小型比对家族生成蛋白质序列。与需要大量数据的传统深度学习模型不同，SA利用Hopfield能量模型和Langevin动力学进行采样，无需GPU或预训练。该方法在各种蛋白质家族中都取得了成功，生成的序列具有低组成发散度、新颖性和结构合理性，优于现有的Profile HMM和MSA Transformer等方法。SA能够从种子比对自动运行，并获得独立语言模型的有利评分，使其成…