De novo generation of SARS-CoV-2 antibody CDRH3 with a pre-trained generative large language model.
利用預訓練的生成大型語言模型進行 SARS-CoV-2 抗體 CDRH3 的去新生產。 Nat Commun 2024-08-10

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

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

Generation of antigen-specific paired chain antibody sequences using large language models.
利用大型語言模型生成抗原特異性配對鏈抗體序列。 bioRxiv 2025-03-03

傳統抗體發現方法效率低、成本高且成功率不佳。為了解決這些問題，最近引入了人工智慧（AI）技術來增強和創造新的抗體序列。本研究介紹了MAGE（單克隆抗體生成器），這是一種專門設計的蛋白質語言模型，能生成針對不同目標的人類抗體序列。MAGE已成功產生新穎且多樣的抗體，並在實驗中證實其對SARS-CoV-2、禽流感H5N1和RSV-A的結合特異性，成為針對多目標抗體設計的先驅工具。 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

Contrastive Learning Enables Epitope Overlap Predictions for Targeted Antibody Discovery.
對比學習促進了針對抗體發現的表位重疊預測。 bioRxiv 2025-03-10

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

PKAN: Leveraging Kolmogorov-Arnold Networks and Multi-modal Learning for Peptide Prediction with Advanced Language Models.
PKAN：結合 Kolmogorov-Arnold 網路與多模態學習，搭配先進語言模型進行胜肽預測 IEEE J Biomed Health Inform 2025-04-17

這項研究提出了PKAN新架構，結合多模態表徵和語言模型概念，能更準確預測胜肽的活性與功能，表現優於現有方法。PKAN也有助於解析影響胜肽功能的關鍵特徵，推動生物學上胜肽語言模型的發展。 PubMed DOI

NeuroScale: evolutional scale-based protein language models enable prediction of neuropeptides.
NeuroScale：基於演化尺度的蛋白質語言模型促進神經肽的預測 BMC Biol 2025-05-28

NeuroScale 是新一代深度學習模型，結合演化蛋白質建模和多尺度神經網路（GoogLeNet），能精準預測神經肽（AUC 超過 0.97），不論序列相似度或長度都很穩定，非常適合用來發現神經肽和開發肽類藥物。 PubMed DOI

A functionally validated TCR-pMHC database for TCR specificity model development.
用於TCR特異性模型開發的功能性驗證TCR-pMHC資料庫 bioRxiv 2025-06-04

作者們開發了一套高通量系統，實驗測試VDJdb資料庫中的多組TCR-pMHC配對，發現實際只有約一半是真的有反應。他們建立了經過驗證的TCRvdb資料庫，並發現AlphaFold3的信心指標有助於分辨真假TCR-pMHC互作。TCRvdb已公開，希望能提升未來TCR專一性預測的準確率。 PubMed DOI

Prediction of Protein-Peptide Binding Sites Using PepBCL.
使用 PepBCL 預測蛋白質-胜肽結合位點 Methods Mol Biol 2025-07-02

PepBCL 是一套能直接從蛋白質序列預測蛋白質-胜肽結合位點的端對端方法，不需額外特徵工程。它用預訓練蛋白質語言模型自動學習序列特徵，準確率和穩定性都比現有方法好。論文也有詳細說明方法和重現步驟。 PubMed DOI

原始文章

站上相關主題文章列表