008240612s2023      us  |||||||||||||||c||eng  d
■001000016933130
■00520240214101207
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379905804
■035    ▼a(MiAaPQ)AAI30525189
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aBennett,  Nathaniel  Richard.
■24510▼aDeep  Learning  Tools  for  Protein  Binder  Design▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(95  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Baker,  David.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  ability  to  design  protein-binding  proteins  is  broadly  useful.  In  this  dissertation  I  will  show  our  work  to  develop  a  deep  learning-based  pipeline  for  protein  binder  design.  I  will  show  how  we  configured  AlphaFold2  to  classify  in  silico  designs  which  are  likely  to  bind  from  those  which  are  not  likely  to  bind.  I  will  then  demonstrate  how  we  can  use  the  ProteinMPNN  model,  in  combination  with  classical  Rosetta  protocols,  to  perform  efficient  sequence  design  on  binder  backbones.  Finally,  I  will  show  how  we  trained  a  denoising  diffusion  model  to  generate  protein  backbones  and  how  this  can  be  used  to  massively  accelerate  the  binder  design  pipeline.  This  deep  learning-based  pipeline  is  faster,  easier  to  use,  and  has  much  higher  experimental  success  rates  than  the  previous  Rosetta-based  pipeline.
■590    ▼aSchool  code:  0250.
■650  4▼aBiochemistry.
■650  4▼aBiomedical  engineering.
■653    ▼aBinder  design
■653    ▼aRosetta  protocols
■653    ▼aDeep  learning
■653    ▼aProtein  backbones
■653    ▼aDenoising  diffusion
■690    ▼a0487
■690    ▼a0541
■71020▼aUniversity  of  Washington▼bMolecular  Engineering  and  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933130▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024