GPCR-BERT: Interpreting Sequential Design of G Protein-Coupled Receptors Using Protein Language Models.
GPCR-BERT: 使用蛋白質語言模型解釋G蛋白偶聯受體的序列設計。 J Chem Inf Model 2024-03-01

化學和生物學領域正運用大型語言模型，像是變壓器(transformers)，來開創治療方法和理解的新可能性。研究團隊開發了GPCR-BERT模型，專門用於分析重要藥物靶點G蛋白偶聯受體(GPCRs)的序列設計。透過預先訓練蛋白質模型並微調預測任務，揭示了氨基酸序列、配體選擇性和GPCRs構象基序之間的關係。這個高準確性的模型提供了對受體構象內部相互作用的深入洞察。 PubMed DOI

De novo drug design as GPT language modeling: large chemistry models with supervised and reinforcement learning.
以 GPT 語言建模進行藥物的全新設計：利用監督式學習和強化學習建立大型化學模型。 J Comput Aided Mol Des 2024-04-22

生成式機器學習在使用SMILES語言設計藥物分子上取得成功。研究指出大型語言模型在藥物設計有潛力，透過預訓練的方式成功轉移到藥物領域，效果優於先前研究。這種模型能生成對特定靶點有效的分子，展現了在藥物發現上的潛力。這為未來更大型的研究提供可能性，有助於開發非專利的藥物替代品。 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

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

Machine learning designs new GCGR/GLP-1R dual agonists with enhanced biological potency.
機器學習設計出具有增強生物活性的GCGR/GLP-1R雙激動劑。 Nat Chem 2024-05-23

正在研發治療2型糖尿病和肥胖症的新藥，結合兩種受體的肽雙重激動劑，效果比現有藥物更強。透過肽序列數據訓練模型，成功設計出具有優越雙重活性的肽變體，提高多達七倍的效力。 PubMed DOI

Revolutionizing GPCR-ligand predictions: DeepGPCR with experimental validation for high-precision drug discovery.
深度GPCR與實驗驗證在高精確度藥物發現中的革命。 Brief Bioinform 2024-06-12

GPCRs在許多疾病中扮演重要角色，超過40%的藥物針對它。但由於結構複雜，獲取實驗性結構困難。我們開發了DeepGPCR_BC和DeepGPCR_RG模型，利用非結構數據和圖技術，成功識別藥物候選物，有望改變藥物發現。 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

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

Unlocking comprehensive molecular design across all scenarios with large language model and unordered chemical language.
利用大型語言模型和無序化學語言解鎖各種情境下的全面分子設計。 Chem Sci 2024-08-30

分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

原始文章

站上相關主題文章列表