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

Can large language models predict antimicrobial peptide activity and toxicity?
大型語言模型能否預測抗微生物肽的活性和毒性？ RSC Med Chem 2024-06-24

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

RLpMIEC: High-Affinity Peptide Generation Targeting Major Histocompatibility Complex-I Guided and Interpreted by Interaction Spectrum-Navigated Reinforcement Learning.
RLpMIEC：高親和力肽的生成，針對主要組織相容性複合體-I，並由互動光譜導航的強化學習指導和解釋。 J Chem Inf Model 2024-08-09

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

AI4ACEIP: A Computing Tool to Identify Food Peptides with High Inhibitory Activity for ACE by Merged Molecular Representation and Rich Intrinsic Sequence Information Based on an Ensemble Learning Strategy.
AI4ACEIP：一種計算工具，用於通過合併分子表徵和基於集成學習策略的豐富內在序列信息來識別對 ACE 具有高抑制活性的食物肽。 J Agric Food Chem 2024-11-04

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

Deep Learning-Driven Optimization of Antihypertensive Properties from Whey Protein Hydrolysates: A Multienzyme Approach.
基於深度學習的乳清蛋白水解物抗高血壓特性優化：多酶方法。 J Agric Food Chem 2024-12-25

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

AI Methods for Antimicrobial Peptides: Progress and Challenges.
抗微生物肽的人工智慧方法：進展與挑戰。 Microb Biotechnol 2025-01-04

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: a deep learning model for characterizing T cell receptors-antigen binding patterns.
TPepRet：一個用於表徵 T 細胞受體-抗原結合模式的深度學習模型。 Bioinformatics 2025-01-29

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

Discovery of antimicrobial peptides with notable antibacterial potency by an LLM-based foundation model.
基於 LLM 的基礎模型發現具有顯著抗菌效力的抗微生物肽。 Sci Adv 2025-03-05

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

Leveraging protein language models for robust antimicrobial peptide detection.
利用蛋白質語言模型進行穩健的抗微生物肽檢測。 Methods 2025-03-06

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

PKAN: Leveraging Kolmogorov-Arnold Networks and Multi-modal Learning for Peptide Prediction with Advanced Language Models.
PKAN：結合 Kolmogorov-Arnold 網路與多模態學習，搭配先進語言模型進行胜肽預測 IEEE J Biomed Health Inform 2025-04-17

這項研究提出了PKAN新架構，結合多模態表徵和語言模型概念，能更準確預測胜肽的活性與功能，表現優於現有方法。PKAN也有助於解析影響胜肽功能的關鍵特徵，推動生物學上胜肽語言模型的發展。 PubMed DOI

原始文章

站上相關主題文章列表