论文题目：
Fast and effective protein model refinement using deep graph neural networks 论文摘要：
蛋白质模型细化是提高预测蛋白质模型质量的最后一步。目前，最成功的细化方法依赖于广泛的构象采样，因此即使是单个蛋白质模型的细化也需要数小时或数天的时间。在这里，我们提出了一种快速有效的模型细化方法，该方法应用图形神经网络（GNNs）从初始模型预测细化后的原子间距离概率分布，然后根据预测的距离分布重建三维模型。通过对结构预测细化目标的关键评估测试，我们的方法具有与两个主要人类群体（FEIG和BAKER）相当的精度，但运行速度要快得多。我们的方法可以在一个CPU上在~11分钟内细化一个蛋白质模型，而BAKER在60个CPUs上需要~30 h，FEIG在一个GPU上需要~16 h。最后，我们的研究表明，当仅允许非常有限的构象采样时，GNN在模型细化方面优于ResNet。 论文链接：
https://www.nature.com/articles/s43588-021-0009
欢迎关注公众号，获取更多论文解读
转载或合作请联系邮箱 intbioinfo@163.com
