透過序列數據訓練的語言模型可學習蛋白質設計原則，但蛋白功能受結構影響。結合語言模型與結構資訊，可引導蛋白演化，改良抗SARS-CoV-2抗體，增強對病毒變異的中和能力。整合結構數據有助於找出有效蛋白演化路徑，無需特定訓練。 PubMed DOI

深度生成模型越來越常用於從零開始設計功能性蛋白質。雖然3D蛋白質設計是一種方法，但基於序列的生成方法因為擁有大量的蛋白質序列數據和較簡單的訓練需求而更受歡迎。這些模型專注於匹配訓練數據中的蛋白質序列，但不必每個氨基酸都完全一致，因為某些變異不影響功能。 我們提出了一種新訓練方法，優化氨基酸序列和潛在空間中的訓練數據可能性，並在生成抗微生物肽和蘋果酸脫氫酶上測試，結果超越了多種其他深度生成模型，顯示出我們的方法在功能性蛋白質生成上的有效性。 PubMed DOI

這項研究強調了先進的大型語言模型（LLM），特別是Pro-PRIME模型，在增強結合生長激素的VHH抗體的穩定性方面的成效。考慮到蛋白質常需在極端環境中運作，研究探討了設計更高穩定性和功能性蛋白質的挑戰。經過兩輪設計，成功產生了一種突變抗體，具備更好的熱穩定性、極端pH抵抗力及更強的結合親和力。這是LLM設計的蛋白質產品首次成功應用於大規模生產，顯示其在蛋白質工程上的潛力。 PubMed DOI

傳統抗體發現方法效率低、成本高且成功率不佳。為了解決這些問題，最近引入了人工智慧（AI）技術來增強和創造新的抗體序列。本研究介紹了MAGE（單克隆抗體生成器），這是一種專門設計的蛋白質語言模型，能生成針對不同目標的人類抗體序列。MAGE已成功產生新穎且多樣的抗體，並在實驗中證實其對SARS-CoV-2、禽流感H5N1和RSV-A的結合特異性，成為針對多目標抗體設計的先驅工具。 PubMed DOI

治療性抗體的開發面臨預測表位的挑戰，這對抗體設計至關重要。本研究提出三種創新方法來預測表位關係： 1. **序列同一性分析**：分析1800萬對抗體，發現CDRH3序列同一性超過70%可可靠指示重疊表位。 2. **對比學習框架**：開發監督式對比微調方法，對抗體語言模型進行調整，達到82.7%準確率，優於傳統模型。 3. **AbLang-PDB模型**：創建通用模型，預測重疊表位抗體，精確度提高五倍。 這些模型為抗體發現提供了有價值的工具，並顯示對比學習的有效性。 PubMed DOI

這項研究介紹了一種新方法，利用名為NanoAbLLaMA的蛋白質大型語言模型來創建合成納米抗體庫，簡化了傳統的建庫過程。該模型基於LLaMA2，經過120,000個納米抗體序列的微調，能根據特定胚系生成序列，準確率高達100%。雖然這方法顯著減少了時間和資源需求，但仍有胚系覆蓋範圍有限的限制。未來可望擴展胚系多樣性並納入藥物可行性指標，相關代碼和資源已公開，鼓勵更多人使用。 PubMed DOI

抗體對免疫系統非常重要，能保護身體免受疾病侵害，包括癌症。從單克隆抗體到CAR-T細胞等先進療法，這個領域已經有了重大進展。最近，人工智慧（AI）的應用改變了抗體的設計與優化，透過大型語言模型和生成式AI，加速新抗體的生成，提升免疫反應的準確性，並增強治療效果。AI幫助預測和設計抗體序列、結構及相互作用，解決開發中的挑戰，提升治療的精確性與速度，為下一代癌症療法鋪路，改善精準醫療的治療結果。 PubMed DOI

這篇研究用MAMMAL AI模型，僅靠序列資料就能準確預測抗體和流感HA抗原的結合及阻斷效果。模型對已知抗體和抗原表現優異（AUROC ≥ 0.91），對新抗原也不錯（AUROC 0.9），但遇到全新抗體時準確度會下降。這顯示AI有助於抗體篩選，但還需要更多元的抗體資料來提升預測新抗體的能力。 PubMed DOI

目前人類抗體序列的多樣性了解有限，因為現有檢測方法又貴又沒效率。作者開發了IgHuAb大型語言模型，能產生大量成對人類抗體序列，並建立了SynAbLib合成抗體庫，不只反映自然多樣性，還有更高變化。實驗證明，SynAbLib的抗體表現很好。這些工具提供一種可擴展的方法，能快速產生和搜尋理想人類抗體。 PubMed DOI

SARITA 是用 GPT-3 打造的語言模型，專門針對超過十萬條新冠病毒 Spike 蛋白序列訓練。它能產生擬真的 S1 亞基序列，預測病毒突變（像 Delta、Omicron）很準，甚至能預見資料裡沒出現過的免疫逃脫變化。SARITA 的預測和實際病毒演化很接近，有助於未來疫苗和藥物開發。 PubMed DOI