原文链接：IgDesign: In vitro validated antibody design against multiple therapeutic antigens using inverse folding

开源信息：GitHub - AbSciBio/igdesign

许可证：MIT License

2024年12月7日，滑铁卢大学的Ghodsi团队发表题为“Conditional Sequence-Structure Integration: A Novel Approach for Precision Antibody Engineering and Affinity Optimization”的抗体从头设计算法AIDA。

2024年12月3日，清华大学珠三角研究院人工智能创新中心的韩蓝青研究团队在Nature Scientific Data上在线发表了PPB-Affinity: Protein-Protein Binding Affinity dataset for AI-based protein drug discovery，整合了SKEMPI v2.0、PDBbind 2020和SabDab等数据源，整理构建一个PPI亲和力数据集，并基于IPA构建一套benchmark算法验证了数据集的价值。

本文是上交大洪亮团队发表在Nature Cell Discovery上的工作，提出了一种基于扩散的蛋白序列生成算法CPDiffusion。算法CATH 4.2和pAgo蛋白上训练，验证了其denovo生成的pAgo和KmAgo蛋白的生物活性。

• 论文地址：A conditional protein diffusion model generates artificial programmable endonuclease sequences with enhanced activity
• 开源信息：
  • 代码仓库：GitHub - bzho3923/CPDiffusion
  • 模型仓库：HuggingFace - tyang816/CPDiffusion
  • 模型许可：Apache 2.0

• 论文地址：Peptide-GPT: Generative Design of Peptides using Generative Pre-trained Transformers and Bio-informatic Supervision
• 开源信息：
  • 代码仓库：GitHub - aayush-shah14/PeptideGPT
  • 模型仓库：
    • HuggingFace - aayush14/PeptideGPT_non_fouling
    • HuggingFace - aayush14/PeptideGPT_soluble
    • HuggingFace - aayush14/PeptideGPT_non_hemolytic
    • HuggingFace - aayush14/PeptideGPT_hemolytic
  • 模型许可：Apache 2.0

原文链接：Diffusion Language Models Are Versatile Protein Learners
开源信息：GitHub - bytedance/dplm，Apache 2.0 License。

DPLM是字节跳动在ICML2024上提出的一种基于扩散的语言模型，用于蛋白质序列的生成。

原文链接：http://arxiv.org/abs/2409.16298

论文：http://arxiv.org/abs/2310.02391
源码：https://github.com/dreamfold/foldflow
license：CC BY-NC-SA 4.0

FoldFlow算法是一种针对$\text{SE(3)}^N$分布定制的连续归一化流。算法通过条件流匹配（Conditional Flow Matching，CFM）来实现最优路径的学习。每个残基在空间中各种可能刚性分布构成一个SE(3)群，算法正是从N个残基的SE(3)中寻找一种合理的分布。

本文是对抗体/蛋白设计算法的汇总。根据算法的特点共性，设置以下字段：

• 名称
• 序列类型
  • 普通蛋白
    • peptide
    • mini protein
    • antigen
  • 抗体
    • nanobody
    • mAb
    • scFv
    • CDR
    • other antibody

论文名称：《Retrieval Augmented Diffusion Model for Structure-informed Antibody Design and Optimization》

论文亮点：利用MASTER算法，通过输入给定CDR骨架结构，检索PDB得到相似的CDR fragment数据，从而增强序列设计的能力。

论文缺点：检索增强的PDB可能搜到原始数据，因此存在数据泄露风险。对未能检索groud truth的数据性能较差。

论文代码：暂无开源信息。