生物資訊學中，分析蛋白質結構對於尋找藥物、診斷疾病和研究演化至關重要。目前的方法偏向序列，忽略了3D結構。這項研究提出結合3D結構資訊，特別是接觸圖，設計蛋白質在歐幾里得空間的數值嵌入。這些嵌入結合了大型語言模型和傳統技術特徵，在監督式蛋白質分析中表現更好。實驗結果顯示，這種方法在蛋白質功能預測方面優於現有方法。 PubMed DOI

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

UniProtKB中有超過2.51億個蛋白質，但只有0.25%有Pfam家族域標註，可能的家族域超過15000個。提出了基於轉移學習的新方法，使用大型語言模型（LLMs）在未標註數據上訓練，再在已標註數據上微調，準確性提高60%。該方法採用先進的LLMs和機器學習技術，程式碼和資料可於GitHub找到。 PubMed DOI

研究蛋白質功能對找疾病治療和新藥很重要。GPSFun網站利用深度學習技術，幫助蛋白質功能註釋。它可預測蛋白質結構和功能，如結合位點和亞細胞位置，不需多重對齊或實驗結構，比現有方法更有效。免費使用網址：https://bio-web1.nscc-gz.cn/app/GPSFun。 PubMed DOI

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

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

ProtChat是一個創新的AI多代理系統，專門用於蛋白質分析，結合了蛋白質大型語言模型和像GPT-4這樣的技術。它能自動化複雜任務，如預測蛋白質特性和分析蛋白質-藥物相互作用，大幅減少人力需求。即使沒有計算背景的研究人員也能輕鬆使用，提升分析效率。實驗結果顯示，ProtChat能快速且準確地處理蛋白質相關任務，為計算生物學和藥物發現開創新機會。其程式碼和數據已在GitHub上公開，鼓勵更多人探索應用。 PubMed DOI

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

深度生成模型越來越常用於從零開始設計功能性蛋白質。雖然3D蛋白質設計是一種方法，但基於序列的生成方法因為擁有大量的蛋白質序列數據和較簡單的訓練需求而更受歡迎。這些模型專注於匹配訓練數據中的蛋白質序列，但不必每個氨基酸都完全一致，因為某些變異不影響功能。 我們提出了一種新訓練方法，優化氨基酸序列和潛在空間中的訓練數據可能性，並在生成抗微生物肽和蘋果酸脫氫酶上測試，結果超越了多種其他深度生成模型，顯示出我們的方法在功能性蛋白質生成上的有效性。 PubMed DOI

蛋白質語言模型（pLMs）正逐漸成為理解蛋白質序列及其功能的重要工具，特別是在預測分子功能方面，如識別結合位點和評估基因變異影響。不過，單靠pLM嵌入在蛋白質結構預測上仍無法與最佳方法相提並論。透過微調這些pLM，可以提升其效率和準確性，尤其在實驗數據不足的情況下。總的來說，pLM為計算生物學與實驗生物學的整合鋪路，預示著蛋白質設計的新時代。 PubMed DOI