HelixDiff, a Score-Based Diffusion Model for Generating All-Atom α-Helical Structures
Notice bibliographique
Résumé
Here, we present HelixDiff, a score-based diffusion model for generating all-atom helical structures. We developed a hot spot-specific generation algorithm for the conditional design of α-helices targeting critical hotspot residues in bioactive peptides. HelixDiff generates α-helices with near-native geometries for most test scenarios with root-mean-square deviations (RMSDs) less than 1 Å. Significantly, HelixDiff outperformed our prior GAN-based model with regard to sequence recovery and Rosetta scores for unconditional and conditional generations. As a proof of principle, we employed HelixDiff to design an acetylated GLP-1 D-peptide agonist that activated the glucagon-like peptide-1 receptor (GLP-1R) cAMP accumulation without stimulating the glucagon-like peptide-2 receptor (GLP-2R). We predicted that this D-peptide agonist has a similar orientation to GLP-1 and is substantially more stable in MD simulations than our earlier D-GLP-1 retro-inverse design. This D-peptide analogue is highly resistant to protease degradation and induces similar levels of AKT phosphorylation in HEK293 cells expressing GLP-1R compared to the native GLP-1. We then discovered that matching crucial hotspots for the GLP-1 function is more important than the sequence orientation of the generated D-peptides when constructing D-GLP-1 agonists.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».