像ProGen2和IgLM這樣的大型語言模型正被應用在蛋白工程領域，以更有效地設計蛋白質。 PubMed DOI

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

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

提議的PALM-H3模型旨在簡化抗體設計，專注於生成針對特定抗原的人工抗體，特別是重鏈互補決定區域3（CDRH3），減少了從血清中分離天然抗體的需求，節省資源和時間。此外，A2binder模型可預測抗原與抗體的結合特異性。PALM-H3生成的抗體對SARS-CoV-2抗原，包括XBB變異株，顯示出高結合親和力和強中和能力。透過Roformer架構的注意力機制，增強了模型的可解釋性，為抗體設計提供了重要見解，代表抗體工程的一大進展。 PubMed DOI

這項研究探討了先進計算方法在蛋白質骨架設計與修改上的創新應用，對於蛋白質功能及疾病治療影響重大。研究團隊開發了名為PB-GPT的模型，透過代碼本量化和壓縮字典，將蛋白質骨架結構轉換為獨特編碼格式。該模型在多個數據集上訓練與評估，顯示出生成複雜且真實蛋白質骨架的能力，模仿自然蛋白質結構，顯示大型語言模型在蛋白質結構設計上的潛力。 PubMed DOI

為了解決肽類和蛋白質藥物的短半衰期、免疫原性及非特異性分佈等問題，研究人員透過化學修飾，如添加脂肪酸，來提升療效。這些修飾能延長藥物半衰期並實現靶向傳遞，但目前的合成方法需大量實驗，導致產品不穩定。為改善此過程，我們開發了一個混合計算工作流程，結合蛋白質建模工具RosettaMatch與分子動力學模擬，專注於最有潛力的氨基酸修飾，減少實驗需求，加速修飾生物製劑的設計。我們應用於GLP-1肽類治療劑，顯示出高效且具成本效益的設計方法。 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

這項研究強調了先進的大型語言模型（LLM），特別是Pro-PRIME模型，在增強結合生長激素的VHH抗體的穩定性方面的成效。考慮到蛋白質常需在極端環境中運作，研究探討了設計更高穩定性和功能性蛋白質的挑戰。經過兩輪設計，成功產生了一種突變抗體，具備更好的熱穩定性、極端pH抵抗力及更強的結合親和力。這是LLM設計的蛋白質產品首次成功應用於大規模生產，顯示其在蛋白質工程上的潛力。 PubMed DOI

這項研究探討如何利用計算設計來結合新型表位的T細胞受體（TCR），面對的挑戰是缺乏相關數據。研究人員提出了一種新方法，運用上下文學習來增強TCR的生成。主要策略包括： 1. **上下文訓練**：透過目標表位和已知TCR訓練模型，提升TCR生成的準確性。 2. **自我反思提示**：模型根據目標表位自生成上下文TCR，並在推斷中使用。 實驗結果顯示，這種方法顯著提升了新型表位的TCR質量，並有潛力推進靶向免疫療法。 PubMed DOI

治療性抗體的開發面臨預測表位的挑戰，這對抗體設計至關重要。本研究提出三種創新方法來預測表位關係： 1. **序列同一性分析**：分析1800萬對抗體，發現CDRH3序列同一性超過70%可可靠指示重疊表位。 2. **對比學習框架**：開發監督式對比微調方法，對抗體語言模型進行調整，達到82.7%準確率，優於傳統模型。 3. **AbLang-PDB模型**：創建通用模型，預測重疊表位抗體，精確度提高五倍。 這些模型為抗體發現提供了有價值的工具，並顯示對比學習的有效性。 PubMed DOI