GPCR-BERT: Interpreting Sequential Design of G Protein-Coupled Receptors Using Protein Language Models.
GPCR-BERT: 使用蛋白質語言模型解釋G蛋白偶聯受體的序列設計。 J Chem Inf Model 2024-03-01

化學和生物學領域正運用大型語言模型，像是變壓器(transformers)，來開創治療方法和理解的新可能性。研究團隊開發了GPCR-BERT模型，專門用於分析重要藥物靶點G蛋白偶聯受體(GPCRs)的序列設計。透過預先訓練蛋白質模型並微調預測任務，揭示了氨基酸序列、配體選擇性和GPCRs構象基序之間的關係。這個高準確性的模型提供了對受體構象內部相互作用的深入洞察。 PubMed DOI

ToxinPred 3.0: An improved method for predicting the toxicity of peptides.
ToxinPred 3.0：一種改進的肽毒性預測方法。 Comput Biol Med 2024-07-22

毒性是治療性肽開發的一大挑戰，常導致臨床試驗失敗。我們的團隊在2013年推出了ToxinPred，預測肽毒性的工具。這篇論文介紹了ToxinPred的升級版，提升了預測的可靠性與準確性。我們結合了機器學習和深度學習技術，改善了靈敏度與特異性之間的平衡，並在獨立數據集上取得了優異的表現。我們還推出了ToxinPred3的獨立軟體包和網頁伺服器，方便科學社群使用，網址為 https://github.com/raghavagps/toxinpred3 和 https://webs.iiitd.edu.in/raghava/toxinpred3/。 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

AntiFormer: graph enhanced large language model for binding affinity prediction.
AntiFormer：圖形增強的大型語言模型用於結合親和力預測。 Brief Bioinform 2024-08-20

抗體在免疫防禦和治療中扮演重要角色，其效能透過親和力成熟過程增強。傳統技術測量抗體結合親和力困難，因此我們提出了AntiFormer，一個基於圖形的語言模型，能更準確預測抗體親和力。AntiFormer經過廣泛評估，表現優於現有方法，能快速提供準確預測。它在SARS-CoV-2患者樣本中識別出強中和抗體，並分析流感疫苗反應，揭示年輕人和老年人之間的免疫反應差異。這項研究強調了大克隆型類別在免疫調節中的重要性，顯示AntiFormer在抗體診斷和治療上的潛力。 PubMed DOI

BertTCR: a Bert-based deep learning framework for predicting cancer-related immune status based on T cell receptor repertoire.
BertTCR：一個基於Bert的深度學習框架，用於預測與癌症相關的免疫狀態，基於T細胞受體庫。 Brief Bioinform 2024-08-23

T細胞受體（TCR）在免疫系統中非常重要，了解其複雜性能提升我們對癌症免疫反應的預測能力。現有方法常忽略TCR序列間的相互作用，影響預測效果。為了解決這個問題，我們推出了BertTCR，一個新穎的深度學習框架，能從TCR中提取更豐富的上下文信息。BertTCR在甲狀腺癌檢測上，曲線下面積（AUC）提升21個百分點，超越三種主流方法，並在2000多個TCR文庫上訓練，展現出強大的分類能力，對癌症免疫狀態預測具有良好前景。 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

LLM4THP: a computing tool to identify tumor homing peptides by molecular and sequence representation of large language model based on two-layer ensemble model strategy.
LLM4THP：一種計算工具，用於通過基於雙層集成模型策略的分子和序列表示來識別腫瘤靶向肽。 Amino Acids 2024-10-15

腫瘤定位肽（THPs）能特異性結合腫瘤細胞，對癌症治療和檢測有潛力，但傳統檢測方法速度慢且成本高。為解決此問題，我們推出LLM4THP，利用大型語言模型（LLMs）快速檢測THP。該方法結合多種序列特徵，並採用集成策略，透過兩層學習架構提升準確性。LLM4THP在多項指標上表現優於現有方法，源代碼和數據集可在GitHub上獲得。 PubMed DOI

PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion.
PepTune: 以多目標引導的離散擴散法新穎生成治療性肽。 ArXiv 2025-01-07

肽類療法在治療糖尿病和癌症方面表現出色，特別是GLP-1受體激動劑對2型糖尿病和肥胖症的療效。然而，設計符合多重標準的肽類仍具挑戰。為此，我們推出了PepTune，一種專門用於生成和優化治療性肽的模型。透過蒙地卡羅樹搜索策略，PepTune能有效平衡探索與利用，生成具多樣化特性的肽，並解決了在離散空間中面臨的挑戰。我們的研究顯示，這種方法在肽設計上具備穩健性與靈活性。 PubMed DOI

Self-Contemplating In-Context Learning Enhances T Cell Receptor Generation for Novel Epitopes.
自我反思的情境學習增強了對新表位的 T 細胞受體生成。 bioRxiv 2025-02-20

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

TransHLA: a Hybrid Transformer model for HLA-presented epitope detection.
TransHLA：一種用於 HLA 呈現表位檢測的混合 Transformer 模型。 Gigascience 2025-03-04

TransHLA是一個創新的工具，能預測人類白血球抗原（HLA）上的表位呈現，克服了傳統工具只針對特定等位基因的限制。它結合了Transformer和殘基CNN架構，並利用ESM2大型語言模型進行序列和結構嵌入，達到高準確率：HLA I類84.72%，HLA II類79.94%，AUC分別為91.95%和88.14%。案例研究顯示，TransHLA在識別免疫原性表位及新表位方面優於現有模型，對疫苗設計和免疫療法有助益。工具及資源可在 https://github.com/SkywalkerLuke/TransHLA 獲得。 PubMed DOI

原始文章

站上相關主題文章列表