xCAPT5: protein-protein interaction prediction using deep and wide multi-kernel pooling convolutional neural networks with protein language model.
xCAPT5: 使用深度和寬度多核池化卷積神經網絡以及蛋白語言模型進行蛋白質間互作預測。 BMC Bioinformatics 2024-03-12

預測蛋白質間的互動對計算生物學至關重要。新方法 xCAPT5 整合蛋白質語言模型、深度卷積神經網路和 XGBoost 算法，提升 PPI 預測效能。透過豐富的氨基酸嵌入，xCAPT5 在不同數據集和物種下的 PPI 分類表現優於現有技術。 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

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

Evaluating GPT and BERT models for protein-protein interaction identification in biomedical text.
評估 GPT 和 BERT 模型在生物醫學文本中識別蛋白質-蛋白質相互作用的效果。 Bioinform Adv 2024-09-25

檢測蛋白質-蛋白質相互作用（PPIs）對於理解遺傳機制和疾病發展非常重要。隨著生物醫學文獻的增加，自動化提取這些相互作用的需求也愈加迫切。本研究評估了多種基於變壓器的模型在PPIs識別中的效果，發現BioBERT在多個數據集上表現最佳，達到91.95%的召回率。值得注意的是，雖然GPT-4並未專門針對生物醫學文本訓練，但其表現也相當出色，顯示出在生物醫學文獻挖掘上的潛力。相關代碼和數據集可在GitHub上獲得。 PubMed DOI

DeepAIP: Deep learning for anti-inflammatory peptide prediction using pre-trained protein language model features based on contextual self-attention network.
DeepAIP：基於上下文自注意力網絡的預訓練蛋白質語言模型特徵進行抗炎肽預測的深度學習。 Int J Biol Macromol 2024-10-02

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

PatchProt: hydrophobic patch prediction using protein foundation models.
PatchProt: 使用蛋白質基礎模型進行疏水性區域預測。 Bioinform Adv 2024-11-01

這項研究專注於預測蛋白質表面的疏水性區域，對於蛋白質的相互作用及聚集性疾病非常重要。研究人員使用進化尺度模型（ESM-2），透過高效的微調方法訓練模型，無需大量計算資源。他們在局部和全局層面進行多項任務探索，最終開發出名為PatchProt的模型，能有效預測疏水性區域、二級結構及表面可及性，表現超越現有方法。研究顯示，結合局部任務可提升全局任務的預測準確性，為蛋白質性質預測設立新標準。 PubMed DOI

Protein-Protein Interaction Networks Derived from Classical and Machine Learning-Based Natural Language Processing Tools.
基於傳統與機器學習自然語言處理工具的蛋白質-蛋白質互作網絡。 J Proteome Res 2024-11-11

研究蛋白質-蛋白質相互作用（PPIs）對於理解生物過程非常重要，尤其是在抗體與抗原、酶與抑制劑或促進劑的互動上。近期針對PPIs的研究，特別是與SARS-CoV-2的關聯，推動了疫苗的開發。雖然已有數據庫整理PPI網絡，但文本挖掘方法在新研究或少數物種中顯得尤為重要。比較不同的自然語言處理（NLP）工具後發現，傳統方法真陽性率高但網絡過度連接，機器學習方法則網絡結構相似但真陽性率低，而大型語言模型的表現則介於兩者之間。選擇合適的NLP方法需根據研究需求和文本量。 PubMed DOI

Comprehensive prediction and analysis of human protein essentiality based on a pretrained large language model.
基於預訓練大型語言模型的人類蛋白質必要性綜合預測與分析。 Nat Comput Sci 2024-11-28

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

Multi-Modal CLIP-Informed Protein Editing.
多模態 CLIP 資訊的蛋白質編輯。 Health Data Sci 2024-12-20

蛋白質對生物功能至關重要，而可控的蛋白質編輯技術進步讓我們能更深入探索自然系統及開發新藥物。機器學習輔助的蛋白質編輯（MLPE）雖然有潛力，但面臨組合可能性廣泛的挑戰。為此，我們提出了ProtET，透過多模態學習進行高效蛋白質編輯，並在實驗中顯示其在滿足人類期望的屬性上表現優於現有方法，特別是在穩定性方面有顯著改善。ProtET將成為推進人工蛋白質編輯的重要工具，滿足學術及產業需求。 PubMed DOI

RNA-protein interaction prediction using network-guided deep learning.
基於網絡引導的深度學習進行 RNA-蛋白質相互作用預測。 Commun Biol 2025-02-16

ZHMolGraph是一種創新的方法，專門用來預測RNA與蛋白質之間的相互作用，成功解決了未知RNA和蛋白質的挑戰。它結合了圖神經網絡和無監督的大型語言模型，在基準數據集上表現優異，對完全未知的RNA-蛋白質對，AUROC達到79.8%，AUPRC為82.0%。這顯示出相較於現有方法的顯著進步，AUROC提升了7.1%-28.7%，AUPRC增加了4.6%-30.0%。此外，ZHMolGraph也能增強對SARS-CoV-2 RNA-蛋白質相互作用的預測，展現其在全基因組預測及複合體建模的潛力。 PubMed DOI

原始文章

站上相關主題文章列表