• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

VenusMutHub-A benchmark for protein mutation effect prediction.

作者信息

Yu Junlin, Li Guobo

机构信息

Key Laboratory of Drug Targeting and Drug Delivery System of Ministry of Education, Department of Medicinal Chemistry, West China School of Pharmacy, Sichuan University, Chengdu 610041, China.

Children's Medicine Key Laboratory of Sichuan Province, Chengdu 610041, China.

出版信息

Acta Pharm Sin B. 2025 May;15(5):2805-2807. doi: 10.1016/j.apsb.2025.05.001. Epub 2025 May 14.

DOI:10.1016/j.apsb.2025.05.001
PMID:40487661
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC12145004/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/3775/12145004/7d414e233735/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/3775/12145004/7d414e233735/gr1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/3775/12145004/7d414e233735/gr1.jpg

相似文献

1
VenusMutHub-A benchmark for protein mutation effect prediction.金星突变库——蛋白质突变效应预测的一个基准。
Acta Pharm Sin B. 2025 May;15(5):2805-2807. doi: 10.1016/j.apsb.2025.05.001. Epub 2025 May 14.
2
VenusMutHub: A systematic evaluation of protein mutation effect predictors on small-scale experimental data.金星突变中心：基于小规模实验数据对蛋白质突变效应预测因子的系统评估。
Acta Pharm Sin B. 2025 May;15(5):2454-2467. doi: 10.1016/j.apsb.2025.03.028. Epub 2025 Mar 14.
3
ABAG-docking benchmark: a non-redundant structure benchmark dataset for antibody-antigen computational docking.ABAG-docking 基准测试：用于抗体-抗原计算对接的非冗余结构基准数据集。
Brief Bioinform. 2024 Jan 22;25(2). doi: 10.1093/bib/bbae048.
4
Epitope prediction based on random peptide library screening: benchmark dataset and prediction tools evaluation.基于随机肽文库筛选的表位预测：基准数据集和预测工具评估。
Molecules. 2011 Jun 16;16(6):4971-93. doi: 10.3390/molecules16064971.
5
CryptoBench: cryptic protein-ligand binding sites dataset and benchmark.CryptoBench：神秘蛋白质-配体结合位点数据集及基准测试
Bioinformatics. 2024 Dec 26;41(1). doi: 10.1093/bioinformatics/btae745.
6
Comparative evaluation of methods for the prediction of protein-ligand binding sites.蛋白质-配体结合位点预测方法的比较评估
J Cheminform. 2024 Nov 11;16(1):126. doi: 10.1186/s13321-024-00923-z.
7
Antibody-protein interactions: benchmark datasets and prediction tools evaluation.抗体 - 蛋白质相互作用：基准数据集与预测工具评估
BMC Struct Biol. 2007 Oct 2;7:64. doi: 10.1186/1472-6807-7-64.
8
Protein multi-level structure feature-integrated deep learning method for mutational effect prediction.基于蛋白质多层次结构特征的深度学习基因突变效应预测方法。
Biotechnol J. 2024 Aug;19(8):e2400203. doi: 10.1002/biot.202400203.
9
A benchmark study of ab initio gene prediction methods in diverse eukaryotic organisms.不同真核生物中从头基因预测方法的基准研究。
BMC Genomics. 2020 Apr 9;21(1):293. doi: 10.1186/s12864-020-6707-9.
10
Prediction of Protein Mutational Free Energy: Benchmark and Sampling Improvements Increase Classification Accuracy.蛋白质突变自由能的预测：基准测试与采样改进提高分类准确率。
Front Bioeng Biotechnol. 2020 Oct 8;8:558247. doi: 10.3389/fbioe.2020.558247. eCollection 2020.

本文引用的文献

1
Zero-shot prediction of mutation effects with multimodal deep representation learning guides protein engineering.基于多模态深度表示学习的零-shot 突变效应预测指导蛋白质工程。
Cell Res. 2024 Sep;34(9):630-647. doi: 10.1038/s41422-024-00989-2. Epub 2024 Jul 5.
2
Enhancing efficiency of protein language models with minimal wet-lab data through few-shot learning.通过少样本学习利用最少的湿实验数据提高蛋白质语言模型的效率。
Nat Commun. 2024 Jul 2;15(1):5566. doi: 10.1038/s41467-024-49798-6.
3
Masked inverse folding with sequence transfer for protein representation learning.
用于蛋白质表示学习的带序列转移的掩码反向折叠
Protein Eng Des Sel. 2023 Jan 21;36. doi: 10.1093/protein/gzad015.
4
Accurate proteome-wide missense variant effect prediction with AlphaMissense.使用 AlphaMissense 进行精确的全蛋白质错义变异效应预测。
Science. 2023 Sep 22;381(6664):eadg7492. doi: 10.1126/science.adg7492.
5
Evolutionary-scale prediction of atomic-level protein structure with a language model.用语言模型进行原子级蛋白质结构的进化尺度预测。
Science. 2023 Mar 17;379(6637):1123-1130. doi: 10.1126/science.ade2574. Epub 2023 Mar 16.
6
Learning protein fitness models from evolutionary and assay-labeled data.从进化和实验标记数据中学习蛋白质适应性模型。
Nat Biotechnol. 2022 Jul;40(7):1114-1122. doi: 10.1038/s41587-021-01146-5. Epub 2022 Jan 17.
7
Embeddings from protein language models predict conservation and variant effects.基于蛋白质语言模型的嵌入模型可预测保守性和变异效应。
Hum Genet. 2022 Oct;141(10):1629-1647. doi: 10.1007/s00439-021-02411-y. Epub 2021 Dec 30.
8
GEMME: A Simple and Fast Global Epistatic Model Predicting Mutational Effects.GEMME：一种简单快速的预测突变效应的全局上位性模型。
Mol Biol Evol. 2019 Nov 1;36(11):2604-2619. doi: 10.1093/molbev/msz179.
9
Exploring protein fitness landscapes by directed evolution.通过定向进化探索蛋白质适应度景观。
Nat Rev Mol Cell Biol. 2009 Dec;10(12):866-76. doi: 10.1038/nrm2805.