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

Generating interacting protein sequences using domain-to-domain translation.
利用區域對區域轉譯生成交互蛋白序列。 Bioinformatics 2023-07-18

設計新型蛋白質對生物醫學領域至關重要。一種新方法利用統計模型，受自然語言處理啟發，用於設計氨基酸序列。這方法專注於生成蛋白質結構域序列，而非單一蛋白質。通過將問題視為結構域間翻譯，模型可生成配對序列。經評估發現，此方法優於現有策略，並探討了預訓練語言模型和Alphafold 2的應用。更多資訊可於GitHub取得。 PubMed DOI

Exploring the Protein Sequence Space with Global Generative Models.
使用全球生成模型探索蛋白質序列空間。 Cold Spring Harb Perspect Biol 2023-11-08

近年來，專注於訓練圖像和語言的大型架構有了很大的進展，對電腦視覺和自然語言處理產生了深遠的影響。像ChatGPT和GPT-4等最新語言模型展現出卓越處理人類語言的能力。這些進步也影響了蛋白質研究，推動新方法快速發展，展現出優異表現。部分模型致力於生成未被探索的蛋白質區域序列。本文概述了蛋白質生成模型的應用，包括語言模型用於人工蛋白質設計、非Transformer架構以及應用於定向進化方法。 PubMed DOI

Inverse folding of protein complexes with a structure-informed language model enables unsupervised antibody evolution.
利用結構資訊語言模型進行蛋白質複合物的反向折疊，實現無監督抗體進化。 bioRxiv 2024-02-10

透過大型語言模型訓練，結合蛋白結構資訊，可以引導蛋白演化，提升功能。這種策略非監督式學習，能夠優化蛋白結構，增強功能。研究已成功應用於提升對抗SARS-CoV-2的抗體效力，改善對病毒變異體的中和和親和力。逆向折疊方法優於其他機器學習引導的進化方式，成功率高，且無需特定訓練數據。 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

Generative artificial intelligence performs rudimentary structural biology modeling.
生成人工智慧執行基本的結構生物學建模。 bioRxiv 2024-03-11

AI技術如GPT-4在生物學領域展現潛力，可生成氨基酸、多肽鏈的3D結構，並分析藥物與靶蛋白的互動。儘管有時會出現錯誤，但AI成功辨識關鍵氨基酸殘基。這研究顯示AI在生物學模擬和分子互動分析上的應用前景。 PubMed DOI

EvoAI enables extreme compression and reconstruction of the protein sequence space.
EvoAI 實現蛋白質序列空間的極端壓縮和重建。 Res Sq 2024-03-18

介紹了一種名為EvoScan的方法，可以有效探索蛋白質序列與功能的關係。透過辨識關鍵特徵，EvoAI計算方法能預測適合的蛋白質序列，不需結構資訊。應用在抑制蛋白上，展現壓縮序列空間的能力，為生物設計提供資訊，增進對自然進化的理解。 PubMed DOI

Artificial Intelligence Learns Protein Prediction.
人工智慧學習蛋白質預測。 Cold Spring Harb Perspect Biol 2024-06-10

人工智慧（AI）和計算生物學的進步，如AlphaFold2和蛋白質語言模型，正在革新對生命的理解。這些在過去十年中發展的技術，正在加速分子和醫學生物學的研究，特別是在蛋白質設計領域。 PubMed DOI

Unsupervised evolution of protein and antibody complexes with a structure-informed language model.
蛋白質和抗體複合物的無監督進化與結構資訊語言模型。 Science 2024-07-04

透過序列數據訓練的語言模型可學習蛋白質設計原則，但蛋白功能受結構影響。結合語言模型與結構資訊，可引導蛋白演化，改良抗SARS-CoV-2抗體，增強對病毒變異的中和能力。整合結構數據有助於找出有效蛋白演化路徑，無需特定訓練。 PubMed DOI

原始文章

站上相關主題文章列表