原始文章

天然產物在藥物開發中非常重要,尤其是對抗感染、癌症和神經退行性疾病。不過,它們的供應有限,這成為一大挑戰。無模板的生物合成途徑設計能提升產量,而深度學習則是強有力的工具。這篇綜述探討了深度學習算法在天然產物生物合成中的應用,並評估了不同模型在預測中的潛力與挑戰。還提到大型語言模型在酶發現和工程中的應用,並討論了未來的挑戰與前景。 PubMed DOI


站上相關主題文章列表

藥物開發費用高達25億美元,討論了調整現有分子和創造新分子兩種方法。人工智慧在藥學領域帶來革命,尤其生成式人工智慧在藥物發現中備受矚目。探討了不同生成式人工智慧模型、應用、挑戰及潛力。強調了商業合作夥伴在藥物發現中的重要性。 PubMed DOI

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

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

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

深度學習已成為植物生物學的重要工具,特別是在處理大型數據和揭示複雜關係方面。這篇綜述提到幾個關鍵應用: 1. **基因組序列分析**:用於預測基因表達和表觀遺傳特徵。 2. **基序挖掘與功能組件設計**:探討生成對抗網絡等技術的進展。 3. **蛋白質結構與功能預測**:展示深度學習在這些領域的影響。 4. **未來展望**:強調多組學數據整合和智能育種策略的潛力。 總之,深度學習在植物生物學的應用正快速發展,對理解植物系統有重要意義。 PubMed DOI

最近,人工智慧(AI)和深度學習(DL)在醫療保健領域的進展非常顯著,尤其是大型語言模型(LLMs)的應用。這些模型改善了研究人員與AI系統的溝通,特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新,並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色,助力突破性製藥的進展。 PubMed DOI

大型語言模型(LLMs)在生物學和化學等複雜領域中影響深遠,特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用,特別是肽類分子。我們將探討LLMs在藥物設計的最新進展,以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

這個系統透過整合大型語言模型(LLMs)和知識圖譜,提升材料化學中聚合物科學的合成路徑識別。它解決了大分子命名的複雜性,並自動化文獻檢索、反應數據提取等任務。 主要特點包括: 1. **數據提取與結構化**:利用LLMs提取化學物質名稱,並組織成知識圖譜。 2. **逆合成路徑構建**:建立逆合成路徑樹,探索多種合成路徑。 3. **多分支反應路徑搜尋演算法(MBRPS)**:識別所有有效的多分支反應路徑,擴展逆合成規劃。 4. **聚酰亞胺合成應用**:成功生成全面的逆合成路徑樹,推薦優化路徑。 這項工作在自動化大分子逆合成規劃上有重大進展。 PubMed DOI

**重點摘要:** 深度學習已經徹底改變了蛋白質結構預測的領域,成功彌補了大量蛋白質序列與有限實驗決定結構之間的落差。這篇綜述整理了主要的資料庫、深度學習與大型語言模型在蛋白質結構預測上的最新進展,並討論了這個領域未來的挑戰與機會,特別強調其對藥物發現與開發的影響。 PubMed DOI

傳統藥物設計又慢又容易失敗,深度學習模型像DrugGPT雖然能產生新分子,但常常沒用。DrugGen是改良版,結合真實資料和優化技術,能產生100%有效分子,預測和多樣性都更好。測試證明它有效,還能幫助藥物再利用和新藥設計,大大提升藥物開發效率。 PubMed DOI