Inverse folding of protein complexes with a structure-informed language model enables unsupervised antibody evolution.
利用結構資訊語言模型進行蛋白質複合物的反向折疊，實現無監督抗體進化。 bioRxiv 2024-02-10

透過大型語言模型訓練，結合蛋白結構資訊，可以引導蛋白演化，提升功能。這種策略非監督式學習，能夠優化蛋白結構，增強功能。研究已成功應用於提升對抗SARS-CoV-2的抗體效力，改善對病毒變異體的中和和親和力。逆向折疊方法優於其他機器學習引導的進化方式，成功率高，且無需特定訓練數據。 PubMed DOI

For antibody sequence generative modeling, mixture models may be all you need.
抗體序列生成建模，混合模型可能是您所需的全部。 Bioinformatics 2024-04-23

研究人員開發了SAM生成模型，可分析人體抗體序列，辨識人類序列並超越大型模型。SAM可生成新序列並快速評估人性。研究提供抗體序列編號快速工具，詳情請見連結。 PubMed DOI

BiSpec Pairwise AI: guiding the selection of bispecific antibody target combinations with pairwise learning and GPT augmentation.
BiSpec Pairwise AI：利用成對學習和 GPT 增強指導雙特異性抗體靶點組合的選擇。 J Cancer Res Clin Oncol 2024-05-07

研究者利用機器學習模型和大型語言模型，透過檢索增強生成方法，預測並生成可解釋的BsAbs分析報告。結合XGBoost和GPT模型，討論BsAbs藥物的有效性，協助製藥公司做出更明智的決策。這項研究創新之處在於整合機器學習和GPT技術，提升了預測的精確性和可解釋性。 PubMed DOI

Unsupervised evolution of protein and antibody complexes with a structure-informed language model.
蛋白質和抗體複合物的無監督進化與結構資訊語言模型。 Science 2024-07-04

透過序列數據訓練的語言模型可學習蛋白質設計原則，但蛋白功能受結構影響。結合語言模型與結構資訊，可引導蛋白演化，改良抗SARS-CoV-2抗體，增強對病毒變異的中和能力。整合結構數據有助於找出有效蛋白演化路徑，無需特定訓練。 PubMed DOI

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

AntiFormer: graph enhanced large language model for binding affinity prediction.
AntiFormer：圖形增強的大型語言模型用於結合親和力預測。 Brief Bioinform 2024-08-20

抗體在免疫防禦和治療中扮演重要角色，其效能透過親和力成熟過程增強。傳統技術測量抗體結合親和力困難，因此我們提出了AntiFormer，一個基於圖形的語言模型，能更準確預測抗體親和力。AntiFormer經過廣泛評估，表現優於現有方法，能快速提供準確預測。它在SARS-CoV-2患者樣本中識別出強中和抗體，並分析流感疫苗反應，揭示年輕人和老年人之間的免疫反應差異。這項研究強調了大克隆型類別在免疫調節中的重要性，顯示AntiFormer在抗體診斷和治療上的潛力。 PubMed DOI

AI-enabled alkaline-resistant evolution of protein to apply in mass production.
AI 驅動的耐鹼蛋白進化以應用於大規模生產。 Elife 2025-02-19

這項研究強調了先進的大型語言模型（LLM），特別是Pro-PRIME模型，在增強結合生長激素的VHH抗體的穩定性方面的成效。考慮到蛋白質常需在極端環境中運作，研究探討了設計更高穩定性和功能性蛋白質的挑戰。經過兩輪設計，成功產生了一種突變抗體，具備更好的熱穩定性、極端pH抵抗力及更強的結合親和力。這是LLM設計的蛋白質產品首次成功應用於大規模生產，顯示其在蛋白質工程上的潛力。 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

NanoAbLLaMA: construction of nanobody libraries with protein large language models.
NanoAbLLaMA：利用蛋白質大型語言模型構建納米抗體庫。 Front Chem 2025-03-12

這項研究介紹了一種新方法，利用名為NanoAbLLaMA的蛋白質大型語言模型來創建合成納米抗體庫，簡化了傳統的建庫過程。該模型基於LLaMA2，經過120,000個納米抗體序列的微調，能根據特定胚系生成序列，準確率高達100%。雖然這方法顯著減少了時間和資源需求，但仍有胚系覆蓋範圍有限的限制。未來可望擴展胚系多樣性並納入藥物可行性指標，相關代碼和資源已公開，鼓勵更多人使用。 PubMed DOI

Leveraging large language models to predict antibody biological activity against influenza A hemagglutinin.
運用大型語言模型預測抗體對流感A型血凝素的生物活性 Comput Struct Biotechnol J 2025-04-15

這篇研究用MAMMAL AI模型，僅靠序列資料就能準確預測抗體和流感HA抗原的結合及阻斷效果。模型對已知抗體和抗原表現優異（AUROC ≥ 0.91），對新抗原也不錯（AUROC 0.9），但遇到全新抗體時準確度會下降。這顯示AI有助於抗體篩選，但還需要更多元的抗體資料來提升預測新抗體的能力。 PubMed DOI

原始文章

站上相關主題文章列表