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

Becoming fluent in proteins.
成為蛋白質的流利者。 Cell Syst 2024-01-30

像ProGen2和IgLM這樣的大型語言模型正被應用在蛋白工程領域，以更有效地設計蛋白質。 PubMed DOI

The promises of large language models for protein design and modeling.
大型語言模型在蛋白質設計和建模中的潛力。 Front Bioinform 2023-12-11

最新的語言模型對蛋白質研究有重大影響，特別是GPT-4等模型展現出潛力，可應用在蛋白質領域。蛋白質語言模型已顯示出預測和創新蛋白質的能力，並取得重要進展。本文討論了這個新興領域的機會和挑戰，並提供了LLMs對蛋白質研究的影響。 PubMed DOI

Structure of the space of folding protein sequences defined by large language models.
大型語言模型定義的蛋白質序列折疊空間結構。 Phys Biol 2024-02-01

蛋白質演化研究發現，自然蛋白偏好於廣泛、平坦的能量極小值空間。統計力學演算法比傳統方法更有效識別高熵谷，這些谷與自然序列相似且穩定。結合機器學習與統計物理學，探索蛋白質序列多樣性景觀。 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

Using protein language models for protein interaction hot spot prediction with limited data.
利用蛋白質語言模型進行有限數據下的蛋白質相互作用熱點預測。 BMC Bioinformatics 2024-03-19

蛋白質語言模型是強大的工具，可預測蛋白質結構、發現新功能性序列，並評估突變影響。研究指出這些模型可預測蛋白質間的相互作用熱點，並與傳統方法媲美。雖然成本效益高，但解釋特定特徵仍具挑戰性。 PubMed DOI

Comprehensive Research on Druggable Proteins: From PSSM to Pre-Trained Language Models.
從PSSM到預訓練語言模型：可藥物靶蛋白的全面研究。 Int J Mol Sci 2024-04-27

蛋白質在藥物研發中扮演重要角色，但傳統方法太貴又太慢。研究引入了一個快速又精確的分類器，使用了帶有ESM-2嵌入的蛋白質語言模型（PLM），準確率達95.11%。比較結果顯示，ESM-2嵌入比PSSM特徵更優。同時，開發了基於GPT-2的端對端模型，將大型語言模型成功應用在蛋白質辨識上，並經Pharos數據集驗證表現。 PubMed DOI

Large language models reshaping molecular biology and drug development.
大型語言模型重塑分子生物學和藥物開發。 Chem Biol Drug Des 2024-06-19

大型語言模型（LLMs）在醫學和臨床資訊學中扮演重要角色，能幫助突破和個人化治療。透過分析複雜的生物數據，揭示基因組學、蛋白質結構和健康記錄中的隱藏模式，對基因組分析、藥物開發和精準醫學有所助益。然而，必須面對數據偏見、隱私和道德等挑戰，才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展，造福個人和社區。 PubMed DOI

ProtAgents: protein discovery <i>via</i> large language model multi-agent collaborations combining physics and machine learning.
ProtAgents: 透過結合物理學與機器學習的大型語言模型多智能體協作，進行蛋白質發現。 Digit Discov 2024-07-12

介紹了ProtAgents，一個利用大型語言模型設計新蛋白質的平台。多個人工智慧代理人合作應對複雜任務，擁有多樣能力。透過LLMs驅動的代理人合作，提供多功能蛋白質設計和分析方法。系統可設計新蛋白質、分析結構，並模擬振動頻率。自動化和協同方法可設計具特定機械性能的蛋白質，釋放解決多目標材料問題的潛力，為自主材料發現和設計鋪平道路。 PubMed DOI

原始文章

站上相關主題文章列表