語言模型進步，利用變壓器將蛋白質序列轉為文本，PeptideBERT專為預測肽性質而設計，無需結構數據。透過微調ProtBERT，PeptideBERT在預測溶血性和不易附著性等性質方面表現優異，對評估肽對紅血球的影響至關重要。尤其在處理短序列和不溶解肽相關數據時表現出色。 PubMed DOI

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

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

腫瘤定位肽（THPs）能特異性結合腫瘤細胞，對癌症治療和檢測有潛力，但傳統檢測方法速度慢且成本高。為解決此問題，我們推出LLM4THP，利用大型語言模型（LLMs）快速檢測THP。該方法結合多種序列特徵，並採用集成策略，透過兩層學習架構提升準確性。LLM4THP在多項指標上表現優於現有方法，源代碼和數據集可在GitHub上獲得。 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

預測蛋白質-蛋白質相互作用位點對於理解生化過程非常重要，尤其是在病毒與受體蛋白質的互動中，有助於疾病機制和藥物開發。傳統方法面臨處理時間長、成本高和準確性低的挑戰。為了解決這些問題，我們提出了一種新穎的網絡，利用多重信息融合來預測相互作用位點。透過圖卷積網絡、雙向長短期記憶（BiLSTM）和ProtT5模型，我們的模型在多項評估指標上超越現有方法，顯示出其有效性和優越性。 PubMed DOI

這項研究推出了一個名為蛋白質重要性計算器（PIC）的深度學習模型，旨在提升人類必需蛋白質（HEPs）的識別。傳統方法成本高且勞動密集，且多數僅能在細胞系層面預測HEPs，無法適應不同生物背景。PIC透過微調的蛋白質語言模型，能在三個層面（人類、細胞系、小鼠）更準確地預測HEPs，並引入蛋白質重要性分數來量化其必需性。這個分數經過生物分析驗證，顯示在乳腺癌預後生物標記識別上有潛力，並可評估大量人類微蛋白質的必需性，展現其在生物醫學研究中的廣泛應用。 PubMed DOI