蛋白質語言模型是強大的工具，可預測蛋白質結構、發現新功能性序列，並評估突變影響。研究指出這些模型可預測蛋白質間的相互作用熱點，並與傳統方法媲美。雖然成本效益高，但解釋特定特徵仍具挑戰性。 PubMed DOI

研究蛋白質功能對找疾病治療和新藥很重要。GPSFun網站利用深度學習技術，幫助蛋白質功能註釋。它可預測蛋白質結構和功能，如結合位點和亞細胞位置，不需多重對齊或實驗結構，比現有方法更有效。免費使用網址：https://bio-web1.nscc-gz.cn/app/GPSFun。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）預測蛋白質相變（PPTs），對於理解與年齡相關的疾病如阿茲海默症非常重要。研究者微調了一個LLM，評估蛋白質序列變異對PPTs的影響，結果顯示該模型的表現超越傳統方法，並結合隨機森林模型提升可解釋性。此外，研究發現阿茲海默症相關蛋白質的聚集增加與基因表達下降有關，暗示可能存在自然防禦機制來對抗該疾病。 PubMed DOI

這篇評論探討了深度學習模型在蛋白質結構生物學中的影響，包括卷積神經網絡、語言模型、去噪擴散模型和圖神經網絡。文章指出，蛋白質可以從序列、圖像或圖形等不同角度分析，並建議使用特定的深度學習技術。內容涵蓋蛋白質結構預測、逆摺疊、蛋白質設計及小分子設計等進展，對實驗結構生物學家及相關領域的研究者來說，都是非常有價值的資源。 PubMed DOI

預測蛋白質-蛋白質相互作用位點對於理解生化過程非常重要，尤其是在病毒與受體蛋白質的互動中，有助於疾病機制和藥物開發。傳統方法面臨處理時間長、成本高和準確性低的挑戰。為了解決這些問題，我們提出了一種新穎的網絡，利用多重信息融合來預測相互作用位點。透過圖卷積網絡、雙向長短期記憶（BiLSTM）和ProtT5模型，我們的模型在多項評估指標上超越現有方法，顯示出其有效性和優越性。 PubMed DOI

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI

研究蛋白質-蛋白質相互作用（PPIs）對於理解生物過程非常重要，尤其是在抗體與抗原、酶與抑制劑或促進劑的互動上。近期針對PPIs的研究，特別是與SARS-CoV-2的關聯，推動了疫苗的開發。雖然已有數據庫整理PPI網絡，但文本挖掘方法在新研究或少數物種中顯得尤為重要。比較不同的自然語言處理（NLP）工具後發現，傳統方法真陽性率高但網絡過度連接，機器學習方法則網絡結構相似但真陽性率低，而大型語言模型的表現則介於兩者之間。選擇合適的NLP方法需根據研究需求和文本量。 PubMed DOI

ProtChat是一個創新的AI多代理系統，專門用於蛋白質分析，結合了蛋白質大型語言模型和像GPT-4這樣的技術。它能自動化複雜任務，如預測蛋白質特性和分析蛋白質-藥物相互作用，大幅減少人力需求。即使沒有計算背景的研究人員也能輕鬆使用，提升分析效率。實驗結果顯示，ProtChat能快速且準確地處理蛋白質相關任務，為計算生物學和藥物發現開創新機會。其程式碼和數據已在GitHub上公開，鼓勵更多人探索應用。 PubMed DOI

RNA 正在成為新療法的焦點，但找到能與其結合的小分子仍然是一大挑戰。計算模型在預測 RNA 與小分子的互動上顯得尤為重要。最近，針對 RNA 的大型語言模型（LLMs）取得了進展，促使我們開發了 RNABind，這是一個幾何深度學習框架，能根據 RNA 結構識別結合位點。經過實驗，RNABind 的表現超越了現有方法，並為 RNA 相關的藥物發現提供了新的可能性。 PubMed DOI

這項研究介紹了GL4SDA，一種新方法，結合圖神經網絡和大型語言模型，來預測小核醣核酸（snoRNAs）與疾病的關聯。考量到snoRNAs在細胞過程中的重要性，這項研究希望增進對其與疾病關係的理解，助於未來的治療應用。 GL4SDA利用異質圖結構，整合snoRNAs的二級結構及疾病資訊，創建全面的圖形表示，預測性能超越現有方法。評估結果顯示，GL4SDA在鏈接預測任務中表現優於三個先進預測器，並透過癌症案例進一步驗證其實用性，對生物研究具有重要意義。 PubMed DOI