An Accurate and Efficient Approach to Knowledge Extraction from Scientific Publications Using Structured Ontology Models, Graph Neural Networks, and Large Language Models.
一種準確且高效的科學文獻知識提取方法：使用結構化本體模型、圖神經網絡和大型語言模型。 Int J Mol Sci 2024-11-09

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

Identifying RNA-small molecule binding sites using geometric deep learning with language models.
使用幾何深度學習與語言模型識別 RNA-小分子結合位點。 J Mol Biol 2025-02-17

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

GL4SDA: Predicting snoRNA-disease associations using GNNs and LLM embeddings.
GL4SDA：使用 GNN 和 LLM 嵌入預測 snoRNA-疾病關聯。 Comput Struct Biotechnol J 2025-03-31

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

Comprehensive benchmarking of large language models for RNA secondary structure prediction.
大型語言模型在RNA二級結構預測中的綜合基準評估。 Brief Bioinform 2025-04-10

近年來，受到DNA和蛋白質大型語言模型的啟發，幾個針對RNA的大型語言模型相繼問世。這些RNA-LLMs透過大量RNA數據集自我學習，旨在提升RNA二級結構預測的準確性。然而，針對這項任務的統一評估仍然不足。本研究對多種預訓練RNA-LLMs進行深入比較，評估它們在二級結構預測中的表現。結果顯示，有兩個模型表現優異，並揭示了低同源性情境下的挑戰。此外，研究提供了不同難度的基準數據集和標準化實驗設置，相關代碼和數據可在GitHub上獲得。 PubMed DOI

Protein structure prediction via deep learning: an in-depth review.
深度學習於蛋白質結構預測之深入綜述 Front Pharmacol 2025-04-18

**重點摘要：** 深度學習已經徹底改變了蛋白質結構預測的領域，成功彌補了大量蛋白質序列與有限實驗決定結構之間的落差。這篇綜述整理了主要的資料庫、深度學習與大型語言模型在蛋白質結構預測上的最新進展，並討論了這個領域未來的挑戰與機會，特別強調其對藥物發現與開發的影響。 PubMed DOI

A new strategy for Cas protein recognition based on graph neural networks and SMILES encoding.
基於圖神經網路與SMILES編碼的Cas蛋白識別新策略 Sci Rep 2025-04-30

這項研究用大型語言模型把蛋白質序列轉成SMILES格式，再結合圖神經網路，準確辨識CRISPR-Cas系統裡的Cas1蛋白。新方法比現有工具更準確，還能在大數據中找到新Cas1候選蛋白，展現高穩定性。未來也有機會應用在其他Cas蛋白辨識，證明SMILES編碼在蛋白質分析上很有潛力。 PubMed DOI

ProtFun: A Protein Function Prediction Model Using Graph Attention Networks with a Protein Large Language Model.
ProtFun：結合蛋白質大型語言模型與圖注意力網路的蛋白質功能預測模型 bioRxiv 2025-06-04

這篇研究提出 ProtFun 深度學習模型，結合蛋白質語言模型嵌入、家族網路資訊（用圖注意力網路）和蛋白質特徵，來預測蛋白質功能。實驗結果顯示 ProtFun 在標準資料集上表現比現有方法更好，程式碼也已經公開。 PubMed DOI

Ranking Protein-Protein Models with Large Language Models and Graph Neural Networks.
結合大型語言模型與圖神經網路對蛋白質-蛋白質模型進行排序 Methods Mol Biol 2025-07-02

蛋白質-蛋白質交互作用（PPIs）對疾病研究和藥物開發很重要，但從眾多模擬結構中挑出最準確的很困難。DeepRank-GNN-esm 是一款深度學習工具，結合圖形化方法和蛋白質語言模型，能有效排序並選出最佳PPI模型。詳細教學和工具下載可參考 https://github.com/haddocking/DeepRank-GNN-esm。 PubMed DOI

Large Context, Deeper Insights: Harnessing Large Language Models for Advancing Protein-Protein Interaction Analysis.
大語言模型於促進蛋白質-蛋白質交互作用分析之應用：大範疇背景，深入洞見 Methods Mol Biol 2025-07-02

蛋白質-蛋白質交互作用（PPIs）對生物研究和新藥開發很關鍵。現在大型語言模型（LLMs）已能從蛋白質序列分析PPIs，處理大規模資料也沒問題。不過，還有像運算量大、資料不平衡和多種資料整合等挑戰。未來會持續優化，讓LLMs在生物領域發揮更大作用。 PubMed DOI

Predicting RNA Structure Utilizing Attention from Pretrained Language Models.
利用預訓練語言模型的注意力機制預測RNA結構 J Chem Inf Model 2025-07-02

RNA除了攜帶遺傳資訊，還有許多結構相關的功能。雖然AI和大型語言模型（LLMs）在蛋白質結構預測上很有成效，但目前幾個主流的核酸語言模型（如RNABERT、ERNIE-RNA等）在RNA三維結構預測上表現有限，主要是因為模型設計上還有不少瓶頸。 PubMed DOI

原始文章

站上相關主題文章列表