protein engineering
PulseAugur coverage of protein engineering — every cluster mentioning protein engineering across labs, papers, and developer communities, ranked by signal.
-
分析机器学习在定向进化中的作用
对过去五年机器学习在定向进化中影响的回顾性分析表明，机器学习研究人员识别最佳蛋白质的目标与更广泛的定向进化目标（在资源限制内找到足够多的蛋白质）之间存在显著脱节。这种差距，特别是当前机器学习辅助方法中对DNA合成成本的忽视，限制了其实际应用。该论文建议重新构建机器学习定向进化（MLDE）的目标，以更好地符合现实世界的限制，并指出最近的例外情况表明了将机器学习与蛋白质工程目标相结合的潜力。
-
机器学习在定向进化中的作用因目标不一致而未能达到预期
对机器学习在定向进化中影响的回顾揭示了机器学习辅助定向进化（MLDE）研究人员的目标与该领域整体目标之间存在显著差距。尽管MLDE研究人员通常旨在识别单一最优蛋白质，但传统的定向进化方法优先考虑在实际时间和资源限制内找到足够好的蛋白质。这种脱节，特别是许多MLDE方法中忽视DNA合成成本的问题，限制了它们的实际应用。作者建议重新调整MLDE的目标，以更好地适应实际限制，并强调了协同作用的潜力，同时指出了一些近期的例外情况。
-
LLM驱动的代理简化了生物学家的蛋白质工程
已开发出两个新的代理框架AutoProteinEngine (AutoPE) 和 TourSynbio-Search，以简化生物学家的蛋白质工程。AutoPE 利用大型语言模型 (LLM) 实现与深度学习模型的自然语言交互，用于模型选择和超参数优化等任务。TourSynbio-Search 由 TourSynbio-7B LLM 提供支持，提供跨科学文献和蛋白质数据库的统一搜索方法，解释自然语言查询以从 UniProtKB 和 arX…