原始文章

這項研究開發了一種名為DeepAIP的深度學習模型,專門用來預測抗炎肽(AIPs)。由於傳統的抗炎治療方法如NSAIDs和糖皮質激素常有副作用,尋找替代療法變得相當重要。DeepAIP結合了上下文自注意力機制和預訓練的蛋白質語言模型,顯著提高了預測準確性。測試中,Prot-T5表現最佳,DeepAIP的表現超越現有方法,成功識別17個新型抗炎肽序列。研究數據和代碼已在GitHub上公開。 PubMed DOI


站上相關主題文章列表

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

AMPs是短肽,可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響,難以控制。GPT-3已用於預測AMP活性和毒性,但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型,但需重新評估大型語言模型的潛力。 PubMed DOI

毒性是治療性肽開發的一大挑戰,常導致臨床試驗失敗。我們的團隊在2013年推出了ToxinPred,預測肽毒性的工具。這篇論文介紹了ToxinPred的升級版,提升了預測的可靠性與準確性。我們結合了機器學習和深度學習技術,改善了靈敏度與特異性之間的平衡,並在獨立數據集上取得了優異的表現。我們還推出了ToxinPred3的獨立軟體包和網頁伺服器,方便科學社群使用,網址為 https://github.com/raghavagps/toxinpred3 和 https://webs.iiitd.edu.in/raghava/toxinpred3/。 PubMed DOI

主要組織相容性複合體(MHC)在將表位呈現給T細胞受體中扮演關鍵角色,啟動免疫反應。傳統疫苗設計通常需透過昂貴的高通量篩選來找出高MHC結合親和力的表位。近期,人工智慧(AI)在蛋白質結構預測等領域展現潛力。我們提出了一種基於深度強化學習的生成算法RLpMIEC,能有效設計出結合MHC-I系統的肽,並具備高可解釋性,對加速肽基疫苗開發具有重要意義。 PubMed DOI

高血壓是一種常見的慢性病,會增加心血管疾病的風險。血管緊張素轉換酶(ACE)在血壓調控中扮演重要角色,傳統藥物常有副作用,因此對能抑制 ACE 的食物來源肽(ACEIP)產生興趣。文章介紹了一個新模型 AI4ACEIP,利用兩層堆疊集成架構來識別 ACEIP,並透過 PowerShap 方法優化特徵選擇。研究顯示,AI4ACEIP 的預測表現優於七種現有方法,並可在 GitHub 上公開使用。 PubMed DOI

這項研究探討如何利用深度學習增強乳清蛋白水解物中的降血壓肽。研究人員發現一種多酶組合(MC5),在1 mg/mL濃度下達到89.08%的ACE抑制率,效果超過單一酶水解。MC5在模擬消化後生物穩定性良好,ACE抑制率僅下降6.87%。動物實驗顯示,MC5能有效降低高血壓大鼠的收縮壓和舒張壓,並減少炎症標記物,增強抗氧化酶活性。這項研究顯示結合計算技術與傳統水解方法能有效管理高血壓。 PubMed DOI

抗微生物肽(AMPs)逐漸成為對抗多重藥物抗性病原體的有效方案,但傳統的濕實驗篩選成本高昂,因此越來越依賴人工智慧(AI)進行識別與設計。機器學習(ML)在這方面扮演重要角色,特別是在小鼠模型中加速新抗感染肽的發現。雖然已有進展,但現有評論未充分探討大型語言模型(LLMs)、圖神經網絡(GNNs)及結構引導方法在AMP發現中的潛力。本評論旨在填補此空白,提供AMPs的AI應用最新進展、挑戰與機會的概述,並指出未來研究的關鍵領域。 PubMed DOI

TPepRet是一個新型模型,旨在深入了解T細胞受體(TCR)與肽的相互作用,對癌症免疫療法、疫苗開發及自體免疫疾病管理非常重要。與現有工具不同,TPepRet考量了序列數據的方向性語義,提升了TCR-肽結合的準確性。它使用雙向門控遞歸單元(BiGRU)網絡來捕捉序列依賴性,並整合大型語言模型進行全面分析。經過嚴格評估,TPepRet的表現超越其他工具,成為理解臨床TCR-肽相互作用的重要資源。源代碼可在GitHub上找到,補充數據則在Bioinformatics上提供。 PubMed DOI

AMP-Designer 是一種創新的方法,利用大型語言模型設計抗微生物肽 (AMPs)。在短短 11 天內,成功設計出 18 種對革蘭氏陰性菌有效的 AMP,體外測試成功率高達 94.4%。其中兩個候選者展現出強大的抗菌活性、低血毒性及在人體血漿中的穩定性,並在小鼠肺部感染研究中顯著減少細菌負荷。整個過程從設計到驗證僅需 48 天,特別適合針對特定細菌株,顯示出對抗抗生素抗藥性的潛力。 PubMed DOI

抗微生物肽(AMPs)因其強大的抗微生物能力,正成為對抗抗生素抗藥性的新解決方案。傳統的AMP識別方法耗時且需大量人力,但隨著深度學習的進步,特別是蛋白質語言模型(PLMs),我們開發了PLAPD框架,利用預訓練的ESM2模型進行AMP分類。經過評估,PLAPD在準確率、精確率、特異性等指標上表現優異,顯示其作為高效AMP發現工具的潛力。 PubMed DOI