Počet záznamů: 1
Learning to design protein-protein interactions with enhanced generalization
- 1.
SYSNO ASEP 0585897 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV O - Ostatní Název Learning to design protein-protein interactions with enhanced generalization Tvůrce(i) Bushuiev, A. (CZ)
Bushuiev, Roman (UOCHB-X) ORCID
Kouba, P. (CZ)
Filkin, A. (CZ)
Gabrielová, M. (CZ)
Gabriel, M. (CZ)
Sedlář, J. (CZ)
Pluskal, Tomáš (UOCHB-X) ORCID, RID
Damborský, J. (CZ)
Mazurenko, S. (CZ)
Šivic, J. (CZ)Zdroj.dok. ICLR 2024. The Twelfth International Conference on Learning Representations. - Vienna : ICLR, 2024 Poč.str. 26 s. Forma vydání Online - E Akce ICLR 2024. International Conference on Learning Representations /12./ Datum konání 07.05.2024 - 11.05.2024 Místo konání Vienna Země AT - Rakousko Typ akce WRD Jazyk dok. eng - angličtina Země vyd. AT - Rakousko Klíč. slova protein-protein interactions ; protein design ; generalization ; self-supervised learning ; equivariant 3D representations Obor OECD Other biological topics CEP LM2023055 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy GM21-11563M GA ČR - Grantová agentura ČR Výzkumná infrastruktura e-INFRA CZ II - 90254 - CESNET, zájmové sdružení právnických osob
RECETOX RI II - 90269 - Masarykova univerzita / Přírodovědecká fakultaInstitucionální podpora UOCHB-X - RVO:61388963 Anotace Discovering mutations enhancing protein-protein interactions (PPIs) is critical for advancing biomedical research and developing improved therapeutics. While machine learning approaches have substantially advanced the field, they often struggle to generalize beyond training data in practical scenarios. The contributions of this work are three-fold. First, we construct PPIRef, the largest and non-redundant dataset of 3D protein-protein interactions, enabling effective large-scale learning. Second, we leverage the PPIRef dataset to pre-train PPIformer, a new SE(3)-equivariant model generalizing across diverse protein-binder variants. We fine-tune PPIformer to predict effects of mutations on protein-protein interactions via a thermodynamically motivated adjustment of the pre-training loss function. Finally, we demonstrate the enhanced generalization of our new PPIformer approach by outperforming other state-of-the-art methods on new, non-leaking splits of standard labeled PPI mutational data and independent case studies optimizing a human antibody against SARS-CoV-2 and increasing the thrombolytic activity of staphylokinase. Pracoviště Ústav organické chemie a biochemie Kontakt asep@uochb.cas.cz ; Kateřina Šperková, Tel.: 232 002 584 ; Jana Procházková, Tel.: 220 183 418 Rok sběru 2025 Elektronická adresa https://openreview.net/forum?id=xcMmebCT7s
Počet záznamů: 1