Can large language models predict antimicrobial peptide activity and toxicity?
大型語言模型能否預測抗微生物肽的活性和毒性？ RSC Med Chem 2024-06-24

AMPs是短肽，可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響，難以控制。GPT-3已用於預測AMP活性和毒性，但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型，但需重新評估大型語言模型的潛力。 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

Semantic search using protein large language models detects class II microcins in bacterial genomes.
使用蛋白質大型語言模型的語義搜索在細菌基因組中檢測 class II microcins。 mSystems 2024-09-18

II類微菌素是一種有潛力的新型抗生素，但目前識別的數量有限。本研究探討利用蛋白質大型語言模型的數值嵌入來檢測細菌基因組中的微菌素，並與傳統的序列比對方法（如BLAST）進行比較。結果顯示，嵌入法在識別已知II類微菌素上更有效，還能發現一些傳統方法忽略的新型微菌素。隨著抗生素抗藥性問題日益嚴重，發現新的抗菌肽至關重要，這項研究為對抗細菌感染提供了新策略。 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

AI4ACEIP: A Computing Tool to Identify Food Peptides with High Inhibitory Activity for ACE by Merged Molecular Representation and Rich Intrinsic Sequence Information Based on an Ensemble Learning Strategy.
AI4ACEIP：一種計算工具，用於通過合併分子表徵和基於集成學習策略的豐富內在序列信息來識別對 ACE 具有高抑制活性的食物肽。 J Agric Food Chem 2024-11-04

高血壓是一種常見的慢性病，會增加心血管疾病的風險。血管緊張素轉換酶（ACE）在血壓調控中扮演重要角色，傳統藥物常有副作用，因此對能抑制 ACE 的食物來源肽（ACEIP）產生興趣。文章介紹了一個新模型 AI4ACEIP，利用兩層堆疊集成架構來識別 ACEIP，並透過 PowerShap 方法優化特徵選擇。研究顯示，AI4ACEIP 的預測表現優於七種現有方法，並可在 GitHub 上公開使用。 PubMed DOI

Substrate prediction for RiPP biosynthetic enzymes <i>via</i> 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

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

原始文章

站上相關主題文章列表