Peptide-based drug discovery through artificial intelligence: towards an autonomous design of therapeutic peptides.
透過人工智慧進行肽基藥物發現：朝向治療性肽的自主設計。 Brief Bioinform 2024-06-10

肽類有多樣生物活性，有治療潛力，但短效和易降解。人工智慧和計算工具推動肽類研究，如生成對抗網絡和變分自編碼器用於肽類設計。挑戰在於模型優化和驗證。討論AI整合肽類開發，概述機器學習策略，提出AI輔助肽類設計流程，強調AI加速肽類藥物發現的實用性。 PubMed DOI

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

Machine-Learning-Guided Peptide Drug Discovery: Development of GLP-1 Receptor Agonists with Improved Drug Properties.
機器學習引導的肽藥物發現：開發具有改善藥物特性的GLP-1受體激動劑。 J Med Chem 2024-07-08

蛋白質肽基藥物的研究進展，尤其在治療糖尿病和肥胖方面。新平台streaMLine利用機器學習協助設計、合成、篩選和分析肽庫。研究人員利用這平台成功創造出GLP-1R激動劑，其中GUB021794在肥胖小鼠實驗中顯示出顯著的體重減輕效果，並具有適合每週用藥的半衰期。 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

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

Using Large Language Models to Assist Antimicrobial Resistance Policy Development: Integrating the Environment into Health Protection Planning.
利用大型語言模型協助抗微生物抗藥性政策發展：將環境納入健康保護規劃。 Environ Sci Technol 2025-01-08

抗微生物抗藥性（AMR）是全球健康與經濟的一大威脅，促使各國制定行動計畫（NAPs）應對。然而，低中收入國家面臨物流、資金及資訊獲取等挑戰，影響政策執行。為了解決這些問題，建立了一個多語言資料庫，匯集146國的政策指導，並開發了AMR-Policy GPT模型，能從中檢索和總結資訊，確保準確性。這個原型未來將增強基於證據的AMR政策指導，並可在 www.liuhuibot.com/amrpolicy 訪問。 PubMed DOI

Prediction of inhibitory peptides against E.coli with desired MIC value.
預測對抗 E.coli 的抑制肽及其期望的最小抑制濃度 (MIC) 值。 Sci Rep 2025-02-07

這項研究中，研究人員開發了一個模型來預測抗菌肽對大腸桿菌的最小抑菌濃度（MIC）。他們使用3143種肽的數據集進行訓練，並用786種肽進行驗證，所有數據均為實驗確定。研究強調了組成增強轉移和分佈特徵的重要性。最初的BLAST相似性搜索未能有效預測，因此轉向機器學習回歸模型，結合多種特徵進行優化。隨機森林回歸器在驗證集上表現良好，並在獨立數據集上超越現有方法。此外，研究人員還創建了"EIPpred"平台，幫助用戶設計特定MIC值的肽。 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

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

Learning the rules of peptide self-assembly through data mining with large language models.
透過大型語言模型的數據挖掘學習肽自組裝的規則。 Sci Adv 2025-03-26

這項研究聚焦於肽的自組裝，肽是形成多種結構的重要生物分子。雖然過去的研究探討了化學成分和外部條件對自組裝的影響，但缺乏全面的分析。為了解決這個問題，作者建立了一個肽組裝資料庫，結合專家整理和大型語言模型進行文獻挖掘，編輯了超過1000個實驗條目，詳細記錄肽的序列和條件。開發的機器學習模型達到超過80%的準確率，並微調了GPT模型以提升文獻挖掘的表現，進一步理解肽自組裝的機制。 PubMed DOI

原始文章

站上相關主題文章列表