#今日论文推荐# 许锦波团队开发蛋白逆折叠深度学习框架，用更少结构数据训练获得更准确序列预测

#今日论文推荐# 许锦波团队开发蛋白逆折叠深度学习框架，用更少结构数据训练获得更准确序列预测

计算蛋白质设计（CPD）在医疗、生物传感器、酶工程等与人类健康生活息息相关的领域，均起到了基础支持作用。蛋白质逆向折叠（通过结构预测序列）则是 CPD最主要的研究方向之一。
在最近的一项研究中，芝加哥丰田计算技术研究所的许锦波教授团队建立了一个解决逆向蛋白质折叠问题的框架。尽管该模型没有明显使用进化信息，但它能够从结构数据中学习到蛋白质功能，并且优于在大型序列数据库上训练出来的蛋白质语言模型。研究人员希望，他们的模型能够促使其他研究人员进一步使用结构信息来预测蛋白质突变效应。
该研究以「A Deep SE(3)-Equivariant Model for Learning Inverse Protein Folding」为题，于 2022 年 4 月 15 日发布在 bioRxiv 预印平台。

论文题目：A Deep SE(3)-Equivariant Model for Learning Inverse Protein Folding
详细解读：https://www.aminer.cn/research_report/626600927cb68b460fa825bb?=csAMiner利用数据挖掘和社会网络分析与挖掘技术，提供研究者语义信息抽取、面向话题的专家搜索、权威机构搜索、话题发现和趋势分析、基于话题的社会影响力分析、研究者社会网络关系识别等众多功能。https://www.aminer.cn/research_report/626600927cb68b460fa825bb?f=cs
AMiner链接：https://www.aminer.cn/?f=cs