跳到正文
Molence· @MolenceBio · X·· 17 天前AI 评分40
AI 导读

11/15 💊 在陌生结合环境中实现更强的配体预测。 在 Runs N’ Poses 上,Mol-1 在全部八个相似度区间内领先所有被评估基线。 在相似度最低的 0–20 区间,成功率为 36.1%,AlphaFold 3 为 24.6%。通过 Mol-1-constraint 提供结合位点信息后,成功率提升至 63.9%。 成功需同时满足配体 RMSD < 2 Å 和 lDDT-PLI > 0.8。 #DrugDiscovery

正文 · AI 翻译

11/15 💊 在陌生结合环境中更强的配体预测能力。

在 Runs N’ Poses 中,Mol-1 在全部八个相似度分箱中均领先于所评估的基线。

在相似度最低的 0–20 分箱中,成功率为 36.1%,而 AlphaFold 3 为 24.6%。通过 Mol-1-constraint 提供结合位点信息后,成功率提升至 63.9%。

成功要求同时满足配体 RMSD < 2 Å 且 lDDT-PLI > 0.8。

#DrugDiscovery

引用Molence@MolenceBio
10/15 🎯 设计 VHH 的结合位点。 对于 TNFR2 和 IL-4Rα,我们靶向了天然配体结合区域。 在连续的 BLI 竞争实验中,预先结合 TNFα 或 IL-4 会降低相应设计 VHH 的后续结合。 这些实验证实了对预期区域的识别,将表位导向的设计目标与实验证据联系起来。 #ProteinDesign
原文

10/15 🎯 Designing where a VHH binds. For TNFR2 and IL-4Rα, we targeted the natural ligand-binding regions. In sequential BLI competition experiments, prebinding TNFα or IL-4 reduced subsequent binding by the corresponding designed VHH. These experiments support recognition of the intended regions, connecting an epitope-directed design objective to experimental evidence. #ProteinDesign

在 X 查看被引用的帖子

来源:Molence · x.com