XiaoMi-AI文件搜索系统
World File Search System蛋白质
蛋白质：用于蛋白质性质预测和结构理解的多模式LLM
了解生物学过程，药物开发和生物技术进步需要对蛋白质结构和序列进行详细分析，蛋白质研究中的任务本质上是复杂的，并且在手动执行时既耗时又耗时。为了简化此过程，我们介绍了一种最先进的多模式蛋白质聊天系统Proteingpt，它允许用户上传蛋白质序列和/或结构，以进行全面的蛋白质分析和响应式查询。蛋白质Prot无缝将蛋白质序列和结构编码与线性投影层进行精确表示适应性，并与大语言模型（LLM）相结合，以生成准确且上下文相关的响应。要训练蛋白质，我们构建了带有注释的132,092个蛋白质的大规模数据集，并使用GPT-4O来优化指令调整过程。此创新系统可确保使用用户删除数据和提示之间的准确对齐，从而简化蛋白质分析。实验表明，蛋白质蛋白质可以对蛋白质及其相应的问题产生有希望的反应。
在Aquafeeds中使用单细胞蛋白质桥接蛋白质间隙
糖尿病是全球最常见的代谢疾病之一，导致并发症，死亡率和显着的医疗保健支出，在全球范围内造成了实质性的社会和财务负担。糖尿病环境会引起代谢变化，对肌腱稳态产生负面影响，从而导致生物力学特性和组织病理学的改变。众多研究研究了糖尿病对肌腱发挥病理影响的机制，包括增加自由基生产，氧化应激，炎症反应，高级糖基化终产物（AGES）的沉积和微血管变化。这些代谢变化损害肌腱结构，生物力学和肌腱修复过程。肌腱干细胞的增殖降低，凋亡增加和异常分化，以及肌细胞的异常表达，最终导致不足的肌腱修复，纤维化和重塑。尽管研究揭示了糖尿病对肌腱病，纤维化或染色以及肌腱损伤愈合的影响，但仍缺乏系统的理解。因此，本综述总结了当前的研究状态，并提供了全面的概述，为未来的糖尿病对肌腱影响的影响和与糖尿病相关肌腱疾病的治疗的发展提供了理论指南。
用感知器的DNA和蛋白质序列预测基因和蛋白质表达水平
背景和客观：生物体的功能及其生物学过程源于基因和蛋白质的表现。因此，量化和预测mRNA和蛋白质水平是科学研究的关键方面。关于mRNA水平的预测，可用的方法使用转录起始位点（TSS）上游和下游的序列作为神经网络的输入。最新模型（例如Xpresso和basenjii）预测利用卷积（CNN）或长期记忆（LSTM）网络的mRNA水平。但是，CNN预测取决于卷积内核的大小，LSTM遭受捕获序列中的长期依赖性。据我们所知，关于蛋白质水平的预测，没有通过利用基因或蛋白质序列来预测蛋白质水平的模型。方法：在这里，我们利用一种新的模型类型（称为感知器）用于mRNA和蛋白质水平预测，从而利用了具有注意力调节的基于变压器的体系结构来参加序列中的长期相互作用。此外，感知器模型克服了标准变压器体系结构的二次复杂性。这项工作的贡献是1。dnaper-ceiver模型，以预测TSS上游和下游序列的mRNA水平； 2。Pro-teminepeiver模型，以预测蛋白质序列的蛋白质水平； 3。蛋白质和dnapceiver模型，以预测TSS和蛋白质序列的蛋白质水平。结果：这些模型是在细胞系，小鼠，胶质母细胞瘤和肺癌组织上评估的。结果表明，感知器型模量在预测mRNA和蛋白质水平方面的有效性。结论：本文介绍了mRNA和蛋白质水平预测的感知器结构。将来，将调节和表观遗传信息插入模型可以改善mRNA和蛋白质水平的预测。源代码可在https://github.com/matteostefanini/dnaperceiver
用蛋白质语言模型用于蛋白质二级结构预测的变压器编码器
在生物信息学中，蛋白质二级结构预测在理解蛋白质功能和相互作用中起着重要作用。本研究介绍了TE_SS方法，该方法使用基于变压器编码的模型和ANKH蛋白质语言模型来预测蛋白质二级结构。根据蛋白质的二级结构（DSSP）版本4。使用各种数据集对模型的性能进行了严格评估。此外，本研究还将模型与八个结构类预测中的最新方法进行了比较。调查结果表明，TE_SS在九级和三类结构预测中表现出色，同时还表现出八类类别的熟练程度。这是由于其在QS和SOV评估指标中的性能而强调的，这证明了其识别复杂蛋白质序列模式的能力。此进步为蛋白质结构分析提供了重要的工具，从而丰富了生物信息学领域。
网络范式利用下游蛋白质-蛋白质相互作用预测药物协同作用
摘要 在某些情况下，药物组合通过结合相同的蛋白质来影响不良结果表型；然而，药物结合蛋白通过细胞内的蛋白质-蛋白质相互作用 (PPI) 网络相关联，这表明药物表型可能是由远程网络效应引起的。我们首先使用 PPI 网络分析根据药物靶标下游的蛋白质对药物进行分类，然后预测药物组合效应，其中药物共享网络蛋白质但具有不同的结合蛋白（例如靶标、酶或转运蛋白）。通过使用下游蛋白质对药物进行分类，我们对黄金标准数据集中记录的罕见药物组合效应的预测灵敏度为 80.7%。我们进一步使用电子健康记录中的新观察性研究测量了预测的药物组合对不良结果表型的影响。我们测试了 60 个网络药物类别对 7 种不良结果的预测，并测量了预测组合的临床结果变化。这些结果展示了一种使用药物靶标下游蛋白质预测药物协同作用的新范例。
temstapro：使用蛋白质语言模型的序列表示蛋白质热稳定性预测
结果：我们应用了转移学习的原理，以使用输入蛋白序列从蛋白质语言模型（PLM）产生的嵌入来预测蛋白质的热稳定性。我们使用了在数亿个已知序列上进行训练的大PLM。使用此类模型的嵌入使我们能够使用超过一百万个序列序列训练和验证高性能的预测方法，我们从具有注释的生长温度的生物体中收集了超过一百万个序列。我们的方法Temstapro（蛋白质的稳定温度）用于预测CRISPR-CAS II类效应蛋白（C2EPS）的热稳定性。预测表明，在热稳定性方面，C2EP组之间的差异很大，并且很大程度上与先前发表，并且我们新获得的实验数据。
分子表征，蛋白质 - 蛋白质相互作用网络和四颗谷胱甘肽过氧化物酶的进化。
摘要：谷胱甘肽过氧化物酶（GPXS）形成了一个广泛的抗氧化剂蛋白家族，对于维持真核细胞中的氧化还原稳态必不可少。在这项研究中，我们使用了一种结合生物信息学，分子生物学和生物化学的综合方法来研究GPX在无活性氧中的作用，在无活性氧中排毒在单细胞真核模型生物体中，系统发育和机械经验模型分析提供了有关四膜hymena的GPX与系统发育相关物种的直系同源酶之间的进化关系的指示。silico基因表征和文本挖掘用于预测GPXS与其他与生理相关的过程之间的功能关系。GPX基因包含启动子区域中保守的转录调节元件，这表明转录受到专门信号通路的严格控制。通过研究铜（CU）暴露后的基因转录和酶活性的时间过程，在实验验证下进行了生物信息学的发现。结果强调了GPX在排毒途径中的作用，通过对GPX基因表达的复杂调控，使Tethraymena能够在高CU浓度和相关的氧化还原环境中生存。
绘制癌症蛋白质-蛋白质和基因相互作用图谱以指导精准医疗
大量对癌症基因组进行测序的努力已经汇编了一份令人印象深刻的癌症突变目录，揭示了少数“标志性癌症通路”的反复利用。然而，揭示这些通路和其他通路中的突变蛋白组如何劫持促增殖信号网络并决定治疗反应仍然具有挑战性。在这里，我们展示了癌症驱动蛋白-蛋白质相互作用因其他癌症驱动因素而丰富，突出了物理相互作用图在解释已知以及发现新的疾病促进通路相互关系方面的能力。我们假设，通过系统地绘制癌症中的蛋白质-蛋白质和基因相互作用（从而创建癌细胞图谱），我们将创建资源，以此将患者的突变背景化为受干扰的通路/复合物，从而指定匹配的靶向治疗鸡尾酒。
基于蛋白质工程的 Jennifer Listgarten
MSKGEELFTGVVPILV ELDGDVNGHKFSVSG EGEGDATYGKLTLKFIC TTGKLPVPWPTLVTTF SYGVQCFSRYP DHMK QHDFFKSAMPEGYVQ ERTIFFKDDGNYKTRA EVKFEGDTLV RIELKGI DFKEDGNILGHKLEYN Y NSHNVYIMADKQKN GIKVNFKIRHNIEDGSV QLADYQQNTPIGDGPV LLPDNHYLSTQSALSK DPNEKRDHMVLLEFVT AAGITHGMDELYK
