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

Multimodal pretraining for unsupervised protein representation learning.
多模態預訓練用於無監督蛋白質表示學習。 Biol Methods Protoc 2024-07-10

蛋白質在生物學中扮演關鍵角色，了解其結構和功能至關重要。多模蛋白質表示學習（MPRL）整合了一級和三級結構，使用不同技術捕捉蛋白質細節，提升了在蛋白質相關任務中的表現。這個框架有助於深入了解蛋白質動態，並支持未來研究。原始碼在https://github.com/HySonLab/Protein_Pretrain。 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

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

FAPM: Functional Annotation of Proteins using Multi-Modal Models Beyond Structural Modeling.
FAPM：超越結構建模的多模態模型進行蛋白質的功能註釋。 Bioinformatics 2024-11-14

為蛋白質準確標註功能和催化活性是一項挑戰，尤其是對於缺乏同源蛋白的情況。傳統方法多依賴蛋白質序列，忽略了標籤的語義。為了解決這個問題，我們提出了FAPM模型，結合了蛋白質序列和自然語言，能生成基因本體（GO）功能術語和催化活性預測。研究顯示，FAPM在理解蛋白質特性上表現優於傳統模型，並在噬菌體蛋白的測試中達到最先進的結果。這種方法為蛋白質註釋提供了新的可能性。線上演示可在此網址找到：https://huggingface.co/spaces/wenkai/FAPM_demo。 PubMed DOI

原始文章

站上相關主題文章列表