Large language models generate functional protein sequences across diverse families.
大型語言模型在各種家族中生成功能性蛋白質序列。 Nat Biotechnol 2023-10-03

ProGen是一個深度學習模型，可以像製造句子一樣，生成具有特定功能的蛋白質序列。透過大量蛋白質數據訓練後，ProGen可以微調，提升生成目標蛋白質的能力。這個模型可以創造人工蛋白質，效率與天然蛋白質相當，即使序列不同。適用於不同蛋白質家族，如輔酶A轉移酶和丙酮酸脫氫酶。 PubMed DOI

Evolutionary-scale prediction of atomic-level protein structure with a language model.
利用語言模型對蛋白質的原子級結構進行演化尺度的預測。 Science 2023-04-20

機器學習在預測蛋白質結構方面取得重大進展，利用演化數據進行序列比對。研究人員透過大型語言模型，能直接從原始序列推斷出蛋白質結構，並擴展至 150 億參數，加速高解析度結構預測。ESM Metagenomic Atlas 建立了超過 6.17 億宏基因組蛋白質序列的預測結構，提供廣泛且多樣的自然蛋白質洞察。 PubMed DOI

Generating interacting protein sequences using domain-to-domain translation.
利用區域對區域轉譯生成交互蛋白序列。 Bioinformatics 2023-07-18

設計新型蛋白質對生物醫學領域至關重要。一種新方法利用統計模型，受自然語言處理啟發，用於設計氨基酸序列。這方法專注於生成蛋白質結構域序列，而非單一蛋白質。通過將問題視為結構域間翻譯，模型可生成配對序列。經評估發現，此方法優於現有策略，並探討了預訓練語言模型和Alphafold 2的應用。更多資訊可於GitHub取得。 PubMed DOI

When Protein Structure Embedding Meets Large Language Models.
當蛋白質結構嵌入遇上大型語言模型。 Genes (Basel) 2024-02-01

生物資訊學中，分析蛋白質結構對於尋找藥物、診斷疾病和研究演化至關重要。目前的方法偏向序列，忽略了3D結構。這項研究提出結合3D結構資訊，特別是接觸圖，設計蛋白質在歐幾里得空間的數值嵌入。這些嵌入結合了大型語言模型和傳統技術特徵，在監督式蛋白質分析中表現更好。實驗結果顯示，這種方法在蛋白質功能預測方面優於現有方法。 PubMed DOI

GO2Sum: generating human-readable functional summary of proteins from GO terms.
GO2Sum: 從 GO term 生成易讀的蛋白功能摘要。 NPJ Syst Biol Appl 2024-03-25

生物學中，了解蛋白質功能很重要，常用Gene Ontology (GO)術語。但GO術語太多，難以理解。為了解決這問題，開發了GO2Sum，利用T5語言模型總結GO術語成易懂描述。研究顯示，GO2Sum比原始T5模型更適合創建UniProt條目的功能、亞基結構和途徑描述。 PubMed DOI

Evaluating large language models for annotating proteins.
評估大型語言模型用於蛋白質註釋。 Brief Bioinform 2024-05-06

UniProtKB中有超過2.51億個蛋白質，但只有0.25%有Pfam家族域標註，可能的家族域超過15000個。提出了基於轉移學習的新方法，使用大型語言模型（LLMs）在未標註數據上訓練，再在已標註數據上微調，準確性提高60%。該方法採用先進的LLMs和機器學習技術，程式碼和資料可於GitHub找到。 PubMed DOI

GPSFun: geometry-aware protein sequence function predictions with language models.
GPSFun: 具幾何感知的蛋白質序列功能預測與語言模型。 Nucleic Acids Res 2024-05-13

研究蛋白質功能對找疾病治療和新藥很重要。GPSFun網站利用深度學習技術，幫助蛋白質功能註釋。它可預測蛋白質結構和功能，如結合位點和亞細胞位置，不需多重對齊或實驗結構，比現有方法更有效。免費使用網址：https://bio-web1.nscc-gz.cn/app/GPSFun。 PubMed DOI

GATSol, an enhanced predictor of protein solubility through the synergy of 3D structure graph and large language modeling.
GATSol，透過3D結構圖和大型語言建模的協同作用，提高蛋白溶解度的預測能力。 BMC Bioinformatics 2024-06-02

介紹了一個新的蛋白質溶解度預測模型GATSol，利用圖注意力網絡將蛋白質3D結構轉換成蛋白質圖。整合了AlphaFold技術生成的氨基酸距離圖，GATSol在預測溶解度方面表現優異，捕捉了蛋白質的3D特徵，提高了預測準確性。透過預測過程中納入蛋白質序列預測結構的空間特徵，簡化了預測過程。可幫助篩選高溶解度蛋白質，潛在降低實驗成本。源代碼和數據可於https://github.com/binbinbinv/GATSol 取得。 PubMed DOI

Artificial Intelligence Learns Protein Prediction.
人工智慧學習蛋白質預測。 Cold Spring Harb Perspect Biol 2024-06-10

人工智慧（AI）和計算生物學的進步，如AlphaFold2和蛋白質語言模型，正在革新對生命的理解。這些在過去十年中發展的技術，正在加速分子和醫學生物學的研究，特別是在蛋白質設計領域。 PubMed DOI

Review of AlphaFold 3: Transformative Advances in Drug Design and Therapeutics.
AlphaFold 3 的回顧：藥物設計和治療的變革性進展。 Cureus 2024-08-02

Google DeepMind 最近推出的 AlphaFold 3 是一款突破性的 AI 模型，能在幾秒鐘內準確預測蛋白質結構，速度和準確性都超越了前作 AlphaFold 2。這項技術對藥物發現、疫苗開發等領域影響深遠，能大幅縮短研究時間。AlphaFold 3 採用先進的機器學習技術，提供蛋白質動態和相互作用的深入見解，預示著生物醫學領域將迎來更多創新，最終有助於改善病患護理。 PubMed DOI

原始文章

站上相關主題文章列表