Large language models generate functional protein sequences across diverse families.
大型語言模型在各種家族中生成功能性蛋白質序列。 Nat Biotechnol 2023-10-03

ProGen是一個深度學習模型，可以像製造句子一樣，生成具有特定功能的蛋白質序列。透過大量蛋白質數據訓練後，ProGen可以微調，提升生成目標蛋白質的能力。這個模型可以創造人工蛋白質，效率與天然蛋白質相當，即使序列不同。適用於不同蛋白質家族，如輔酶A轉移酶和丙酮酸脫氫酶。 PubMed DOI

Evolutionary-scale prediction of atomic-level protein structure with a language model.
利用語言模型對蛋白質的原子級結構進行演化尺度的預測。 Science 2023-04-20

機器學習在預測蛋白質結構方面取得重大進展，利用演化數據進行序列比對。研究人員透過大型語言模型，能直接從原始序列推斷出蛋白質結構，並擴展至 150 億參數，加速高解析度結構預測。ESM Metagenomic Atlas 建立了超過 6.17 億宏基因組蛋白質序列的預測結構，提供廣泛且多樣的自然蛋白質洞察。 PubMed DOI

AggBERT: Best in Class Prediction of Hexapeptide Amyloidogenesis with a Semi-Supervised ProtBERT Model.
AggBERT：利用半監督的 ProtBERT 模型最佳預測六肽段淀粉樣生成。 J Chem Inf Model 2024-01-11

討論了使用ProtBERT模型預測肽類淀粉樣生成，是蛋白質摺疊中具挑戰性的議題。AggBERT是ProtBERT的半監督微調版本，在僅從序列預測淀粉樣纖維方面表現最佳。顯示大型語言模型相較傳統方法，在淀粉樣生成預測提升了準確性和速度。 PubMed DOI

Structure of the space of folding protein sequences defined by large language models.
大型語言模型定義的蛋白質序列折疊空間結構。 Phys Biol 2024-02-01

蛋白質演化研究發現，自然蛋白偏好於廣泛、平坦的能量極小值空間。統計力學演算法比傳統方法更有效識別高熵谷，這些谷與自然序列相似且穩定。結合機器學習與統計物理學，探索蛋白質序列多樣性景觀。 PubMed DOI

Using protein language models for protein interaction hot spot prediction with limited data.
利用蛋白質語言模型進行有限數據下的蛋白質相互作用熱點預測。 BMC Bioinformatics 2024-03-19

蛋白質語言模型是強大的工具，可預測蛋白質結構、發現新功能性序列，並評估突變影響。研究指出這些模型可預測蛋白質間的相互作用熱點，並與傳統方法媲美。雖然成本效益高，但解釋特定特徵仍具挑戰性。 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

ProtAgents: protein discovery <i>via</i> large language model multi-agent collaborations combining physics and machine learning.
ProtAgents: 透過結合物理學與機器學習的大型語言模型多智能體協作，進行蛋白質發現。 Digit Discov 2024-07-12

介紹了ProtAgents，一個利用大型語言模型設計新蛋白質的平台。多個人工智慧代理人合作應對複雜任務，擁有多樣能力。透過LLMs驅動的代理人合作，提供多功能蛋白質設計和分析方法。系統可設計新蛋白質、分析結構，並模擬振動頻率。自動化和協同方法可設計具特定機械性能的蛋白質，釋放解決多目標材料問題的潛力，為自主材料發現和設計鋪平道路。 PubMed DOI

Leveraging a large language model to predict protein phase transition: A physical, multiscale, and interpretable approach.
利用大型語言模型預測蛋白質相變：一種物理、多尺度和可解釋的方法。 Proc Natl Acad Sci U S A 2024-08-07

這項研究探討如何利用大型語言模型（LLMs）預測蛋白質相變（PPTs），對於理解與年齡相關的疾病如阿茲海默症非常重要。研究者微調了一個LLM，評估蛋白質序列變異對PPTs的影響，結果顯示該模型的表現超越傳統方法，並結合隨機森林模型提升可解釋性。此外，研究發現阿茲海默症相關蛋白質的聚集增加與基因表達下降有關，暗示可能存在自然防禦機制來對抗該疾病。 PubMed DOI

Fine-tuning protein language models boosts predictions across diverse tasks.
微調蛋白質語言模型提升各種任務的預測能力。 Nat Commun 2024-08-28

這項研究強調微調蛋白質語言模型在各種預測任務中的有效性，顯示針對特定任務的監督式微調能提升表現。研究比較了三個先進模型（ESM2、ProtT5、Ankh）在八個任務上的表現，結果顯示高效的微調能達到類似改善，並顯著減少資源消耗和訓練時間。特別對於數據集有限的任務，如預測單個蛋白質的適應性景觀，微調的做法更具價值。作者還提供了使用者友好的筆記本，方便進行模型微調。 PubMed DOI

MIPPIS: protein-protein interaction site prediction network with multi-information fusion.
MIPPIS：具有多重信息融合的蛋白質-蛋白質相互作用位點預測網絡。 BMC Bioinformatics 2024-11-04

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

原始文章

站上相關主題文章列表