概述#

ProteinMPNN（蛋白质消息传递神经网络）是一种前沿的、基于深度学习的图神经网络，旨在预测给定蛋白质骨架的氨基酸序列。

该网络利用进化、功能和结构信息来生成可能折叠成所需 3D 结构的序列。

神经网络的输入是 PDB 格式的蛋白质 3D 结构，输出是 Multi-FASTA 格式的氨基酸序列。

ProteinMPNN 是您可以应用于生物科学和药物发现任务的众多 NIM 之一。NIM 使您可以轻松地将模型链接在一起，以开发完整的计算机模拟药物发现流程。

例如，您可以将 ProteinMPNN NIM 用作 RFdiffusion 生成模型 NIM 之后的后续步骤，以确定可能的氨基酸序列。

注意

有关该模型的更详细描述，请参阅已发表的 ProteinMPNN 论文。[1]

NIM 的优势#

总的来说，NIM 为自托管 AI 应用程序提供了一个简单易于部署的途径。NIM 为系统管理员和开发人员提供的两个主要优势是

  • 提高生产力：NIM 使开发人员能够通过提供一种标准化的方式将 AI 功能添加到他们的应用程序中，从而在几分钟而不是几周内快速构建生成式 AI 应用程序。

  • 简化部署：NIM 提供容器，可以轻松地部署在各种平台上，包括云、数据中心或工作站，方便开发人员测试和部署他们的应用程序。

在蛋白质设计和药物开发背景下，这些优势可以

  • 加速先导化合物优化：研究人员可以使用 NIM 通过快速生成和测试多种分子结构来加速先导化合物优化过程，使他们能够更有效地识别潜在的先导化合物。

  • 简化数据分析：研究人员可以使用 NIM 分析药物发现过程中生成的大型数据集，例如分子动力学模拟或高通量筛选数据，以识别可以为新药开发提供信息的模式和趋势。

  • 改善协作：NIM 可以通过提供一个用于共享和集成 AI 模型的标准化平台来促进研究人员之间的协作，使团队能够更有效和高效地协同工作。

  • 增强预测建模：研究人员可以使用 NIM 开发和部署预测模型，这些模型可以准确预测分子的性质和行为，例如它们的结合亲和力或毒性，使他们能够在药物开发过程中做出更明智的决策。

本页内容