벼랑끝 바이오 매드 컴퓨터 사이언티스트

https://biomadscientist.tistory.com/177 HuDiff/HuDiff-Nb 논문 리뷰 (1) Introductionhttps://www.biorxiv.org/content/10.1101/2024.10.22.619416v1.fullhttps://github.com/TencentAI4S/HuDiffHuDiff는 기존 CDR 서열 생성에 치중하고 있는 모델들과 달리 오히려 Framework Regions(FRs)의 서열 생성을 통한 인간화 (Humanibiomadscientist.tistory.com Architectures of HuDiffHuDiff-AbInput : [Pre-training] Human paired, aligned HeavyChain(HC), LightChain..

https://www.biorxiv.org/content/10.1101/2024.10.22.619416v1.fullhttps://github.com/TencentAI4S/HuDiffHuDiff는 기존 CDR 서열 생성에 치중하고 있는 모델들과 달리 오히려 Framework Regions(FRs)의 서열 생성을 통한 인간화 (Humanization)를 학습목표로 하는 Diffusion 기반의 생성모델이다. 나 역시 진정한 항체 생성 모델은 단순히 CDR만을 생성하는 것이 아니라 FR까지 생성할 수 있어야 한다고 생각하기 때문에 본 논문의 문제접근 방식을 상당히 높게 평가하고 있다. *참고 https://en.wecomput.com/service/informatics/antibody_design/antibo..

DeepConv-DTI 후속으로 나온 논문인데 figure가 조금 부실하지 않나 생각이 든다. 본문에서의 설명과 figure에서 직관적으로 이해되는 부분에서 불일치를 보이는 부분들도 있었다. (나의 이해력이 딸리는 것도 있겠지만, 썩 친절한 논문은 아닌것 같다.) 깃헙 코드를 뜯어서 이해해보자니 코드가 텐서플로우 기반이라 파이토치를 기반으로 공부한 내가 보기엔 대강 느낌은 파악되지만 명확한 이해는 안되는데다가 솔직히 코드도 조금 난잡한 것 같다. 따라서 해당 논문은 간략하게만 정리한다. 아이디어 참고만 하도록 하자. Abstract HoTS는 Binding Region(BR)이라는 DTI에 중요한 역할을 하는 위치를 hilights한다. BR을 찾기 위하여 Protein의 sequential motif를..

Abstarct DTI(Drug-Target Interaction)에 대한 Identification은 Drug discovery에서 중요한 역할을 한다. 그러나 in vitro 및 in vivo 실험으로 모든 Drug-Target pair에 대한 실험을 진행하는 것은 사실상 불가능하다. 따라서 최근 in silico computational machine learning methods들이 각광받고 많은 연구가 되고있다. 그러나 machine learning methods는 accuracy가 썩 좋지 못했고, 최근 deep learning based research가 활발히 진행중 우리는 Raw protein seq에 대해 CNN을 통해 local residue pattern을 capturing했고 다양..