Improving antibody optimization ability of generative adversarial network through large language model.
透過大型語言模型提升生成對抗網絡的抗體優化能力。 Comput Struct Biotechnol J 2023-12-11

AbGAN-LMG是一種新型生成對抗網路，利用語言模型改進高品質抗體的生成。研究指出AbGAN-LMG在COVID-19和MERS-CoV抗體上的應用，提升生成序列的多樣性和品質。對抗體AZD-8895的研究發現，超過50%的生成序列具有更佳性質。分子對接確認了70種抗體對SARS-CoV-2 RBD的親和力高於AZD-8895。AbGAN-LMG結合語言模型與GANs，提升抗體優化效率。詳情請見：http://39.102.71.224:88/。 PubMed DOI

Inverse folding of protein complexes with a structure-informed language model enables unsupervised antibody evolution.
利用結構資訊語言模型進行蛋白質複合物的反向折疊，實現無監督抗體進化。 bioRxiv 2024-02-10

透過大型語言模型訓練，結合蛋白結構資訊，可以引導蛋白演化，提升功能。這種策略非監督式學習，能夠優化蛋白結構，增強功能。研究已成功應用於提升對抗SARS-CoV-2的抗體效力，改善對病毒變異體的中和和親和力。逆向折疊方法優於其他機器學習引導的進化方式，成功率高，且無需特定訓練數據。 PubMed DOI

Generative artificial intelligence performs rudimentary structural biology modeling.
生成人工智慧執行基本的結構生物學建模。 bioRxiv 2024-03-11

AI技術如GPT-4在生物學領域展現潛力，可生成氨基酸、多肽鏈的3D結構，並分析藥物與靶蛋白的互動。儘管有時會出現錯誤，但AI成功辨識關鍵氨基酸殘基。這研究顯示AI在生物學模擬和分子互動分析上的應用前景。 PubMed DOI

BiSpec Pairwise AI: guiding the selection of bispecific antibody target combinations with pairwise learning and GPT augmentation.
BiSpec Pairwise AI：利用成對學習和 GPT 增強指導雙特異性抗體靶點組合的選擇。 J Cancer Res Clin Oncol 2024-05-07

研究者利用機器學習模型和大型語言模型，透過檢索增強生成方法，預測並生成可解釋的BsAbs分析報告。結合XGBoost和GPT模型，討論BsAbs藥物的有效性，協助製藥公司做出更明智的決策。這項研究創新之處在於整合機器學習和GPT技術，提升了預測的精確性和可解釋性。 PubMed DOI

Application of Deep Learning for Studying NMDA Receptors.
應用深度學習研究NMDA受體。 Methods Mol Biol 2024-05-10

人工智慧近年來進步神速，像ChatGPT等模型已經相當厲害。不過，將AI用在非專業領域還是有挑戰。為此，Uni-Mol模型開發了線上工具，專注於中樞神經系統疾病藥物開發，包括NMDA受體。這些工具像是BBB滲透性預測、QSAR分析和VD-gen分子生成模型，旨在幫助加速藥物研發，彌合AI技術與專家之間的鴻溝。 PubMed DOI

Peptide-based drug discovery through artificial intelligence: towards an autonomous design of therapeutic peptides.
透過人工智慧進行肽基藥物發現：朝向治療性肽的自主設計。 Brief Bioinform 2024-06-10

肽類有多樣生物活性，有治療潛力，但短效和易降解。人工智慧和計算工具推動肽類研究，如生成對抗網絡和變分自編碼器用於肽類設計。挑戰在於模型優化和驗證。討論AI整合肽類開發，概述機器學習策略，提出AI輔助肽類設計流程，強調AI加速肽類藥物發現的實用性。 PubMed DOI

Machine-Learning-Guided Peptide Drug Discovery: Development of GLP-1 Receptor Agonists with Improved Drug Properties.
機器學習引導的肽藥物發現：開發具有改善藥物特性的GLP-1受體激動劑。 J Med Chem 2024-07-08

蛋白質肽基藥物的研究進展，尤其在治療糖尿病和肥胖方面。新平台streaMLine利用機器學習協助設計、合成、篩選和分析肽庫。研究人員利用這平台成功創造出GLP-1R激動劑，其中GUB021794在肥胖小鼠實驗中顯示出顯著的體重減輕效果，並具有適合每週用藥的半衰期。 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

De novo generation of SARS-CoV-2 antibody CDRH3 with a pre-trained generative large language model.
利用預訓練的生成大型語言模型進行 SARS-CoV-2 抗體 CDRH3 的去新生產。 Nat Commun 2024-08-10

提議的PALM-H3模型旨在簡化抗體設計，專注於生成針對特定抗原的人工抗體，特別是重鏈互補決定區域3（CDRH3），減少了從血清中分離天然抗體的需求，節省資源和時間。此外，A2binder模型可預測抗原與抗體的結合特異性。PALM-H3生成的抗體對SARS-CoV-2抗原，包括XBB變異株，顯示出高結合親和力和強中和能力。透過Roformer架構的注意力機制，增強了模型的可解釋性，為抗體設計提供了重要見解，代表抗體工程的一大進展。 PubMed DOI

AntiFormer: graph enhanced large language model for binding affinity prediction.
AntiFormer：圖形增強的大型語言模型用於結合親和力預測。 Brief Bioinform 2024-08-20

抗體在免疫防禦和治療中扮演重要角色，其效能透過親和力成熟過程增強。傳統技術測量抗體結合親和力困難，因此我們提出了AntiFormer，一個基於圖形的語言模型，能更準確預測抗體親和力。AntiFormer經過廣泛評估，表現優於現有方法，能快速提供準確預測。它在SARS-CoV-2患者樣本中識別出強中和抗體，並分析流感疫苗反應，揭示年輕人和老年人之間的免疫反應差異。這項研究強調了大克隆型類別在免疫調節中的重要性，顯示AntiFormer在抗體診斷和治療上的潛力。 PubMed DOI

原始文章

站上相關主題文章列表