A microfluidic in vitro method predicting the fate of peptide drugs after subcutaneous administration.
一種微流體體外方法預測肽類藥物在皮下給藥後的命運。 Int J Pharm 2024-10-25

這項研究探討了一種新型微流體技術（MIS），用來評估肽與透明質酸（HA）之間的相互作用，對於了解皮下給藥的吸收特性非常重要。研究涵蓋多種肽藥物，並將MIS結果與其他系統進行比較，顯示肽在HA存在下的擴散性和聚集傾向的差異。MIS能有效區分不同肽的聚集方式，並確定了兩個關鍵參數，顯示肽的電荷與其吸收特性有關，顯示MIS可能成為預測皮下給藥吸收特性的有用工具。 PubMed DOI

Substrate prediction for RiPP biosynthetic enzymes via masked language modeling and transfer learning.
透過掩蔽語言模型和轉移學習進行RiPP生物合成酶的底物預測。 Digit Discov 2024-12-09

核糖體合成及後轉譯修飾的肽類（RiPPs）由酶產生，這些酶的底物偏好往往難以預測。大型語言模型（LLMs）在預測這些偏好上顯示潛力，但通常依賴有限的肽序列數據。針對乳酸酯生物合成途徑的研究發現，對LazBF和LazDEF兩種酶的底物數據進行掩碼語言建模，可以提升對這兩種酶的預測準確性。這顯示模型能學習同一路徑內不同酶的功能轉移，並且針對特定數據集進行微調能顯著改善預測，對設計RiPP生物合成途徑的底物庫有幫助。 PubMed DOI

AI Methods for Antimicrobial Peptides: Progress and Challenges.
抗微生物肽的人工智慧方法：進展與挑戰。 Microb Biotechnol 2025-01-04

抗微生物肽（AMPs）逐漸成為對抗多重藥物抗性病原體的有效方案，但傳統的濕實驗篩選成本高昂，因此越來越依賴人工智慧（AI）進行識別與設計。機器學習（ML）在這方面扮演重要角色，特別是在小鼠模型中加速新抗感染肽的發現。雖然已有進展，但現有評論未充分探討大型語言模型（LLMs）、圖神經網絡（GNNs）及結構引導方法在AMP發現中的潛力。本評論旨在填補此空白，提供AMPs的AI應用最新進展、挑戰與機會的概述，並指出未來研究的關鍵領域。 PubMed DOI

Leveraging large language models for peptide antibiotic design.
利用大型語言模型進行肽類抗生素設計。 Cell Rep Phys Sci 2025-02-14

大型語言模型（LLMs）在生物學和化學等複雜領域中影響深遠，特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用，特別是肽類分子。我們將探討LLMs在藥物設計的最新進展，以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

Comparative Assessment of Protein Large Language Models for Enzyme Commission Number Prediction.
酶委員會編號預測的蛋白質大型語言模型比較評估。 BMC Bioinformatics 2025-02-27

這項研究評估了幾種蛋白質大型語言模型（LLMs），如ESM2、ESM1b和ProtBERT，在預測酶功能方面的表現，並與傳統的序列比對方法BLASTp進行比較。雖然BLASTp通常表現較佳，但LLMs，特別是結合全連接神經網絡時，超越了傳統的一熱編碼模型。ESM2被認為是最有效的LLM，尤其在挑戰性註釋任務中表現突出。研究顯示，LLMs雖未達到BLASTp的黃金標準，但在序列同一性低的情況下，能有效預測難以註釋的酶的EC編號，並強調兩者可互補，提升酶的註釋效果。 PubMed DOI

Discovery of antimicrobial peptides with notable antibacterial potency by an LLM-based foundation model.
基於 LLM 的基礎模型發現具有顯著抗菌效力的抗微生物肽。 Sci Adv 2025-03-05

AMP-Designer 是一種創新的方法，利用大型語言模型設計抗微生物肽 (AMPs)。在短短 11 天內，成功設計出 18 種對革蘭氏陰性菌有效的 AMP，體外測試成功率高達 94.4%。其中兩個候選者展現出強大的抗菌活性、低血毒性及在人體血漿中的穩定性，並在小鼠肺部感染研究中顯著減少細菌負荷。整個過程從設計到驗證僅需 48 天，特別適合針對特定細菌株，顯示出對抗抗生素抗藥性的潛力。 PubMed DOI

Leveraging protein language models for robust antimicrobial peptide detection.
利用蛋白質語言模型進行穩健的抗微生物肽檢測。 Methods 2025-03-06

抗微生物肽（AMPs）因其強大的抗微生物能力，正成為對抗抗生素抗藥性的新解決方案。傳統的AMP識別方法耗時且需大量人力，但隨著深度學習的進步，特別是蛋白質語言模型（PLMs），我們開發了PLAPD框架，利用預訓練的ESM2模型進行AMP分類。經過評估，PLAPD在準確率、精確率、特異性等指標上表現優異，顯示其作為高效AMP發現工具的潛力。 PubMed DOI

Prediction of Umami Peptides Based on a Large Language Model of Proteins.
基於大型蛋白質語言模型的鮮味肽預測。 J Chem Inf Model 2025-04-11

這項研究專注於鮮味肽，透過蛋白質語言模型分析其特性。研究人員收集了 IC50 和 Kd 數據，建立預測蛋白質-肽親和力的模型，並檢視鮮味肽與味覺受體的關係。結果顯示，鮮味肽對鮮味受體的親和力較強，但對苦味受體則無顯著差異。研究編制了972種鮮味肽和608種非鮮味肽的數據集，並開發出準確率達82%的預測模型，還創建了使用者友好的網站UmamiMeta，成為鮮味肽分析的資源。 PubMed DOI

Analyzing and exploring Graph Attention Networks and protein-based language models for predicting Porhyromonas gingivalis resistant efflux protein sequences.
Graph Attention Networks 與蛋白質語言模型於預測 Porphyromonas gingivalis 抗藥性外排蛋白序列之分析與探討 Dent Med Probl 2025-05-15

這項研究用先進AI模型分析牙齦卟啉單胞菌的蛋白質序列，成功預測抗生素抗藥性。透過LSTM-attention、ProtBERT等模型，能高準確率辨識抗藥性菌株，有助於追蹤和預防抗藥性問題，對全球抗藥性危機的治療策略很有幫助。 PubMed DOI

Using Machine Learning to Fast-Track Peptide Nanomaterial Discovery.
運用機器學習加速胜肽奈米材料的發現 ACS Nano 2025-05-29

胜肽能自組裝成多功能材料，應用於生醫和奈米科技，但因序列多樣、實驗變異大，設計上很困難。機器學習有助於發現新型自組裝胜肽，但需高品質資料、專業知識，且要納入失敗案例。結合先進AI和可解釋分析，可加速胜肽奈米材料的研發。 PubMed DOI

原始文章

站上相關主題文章列表