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

肽類療法在治療糖尿病和癌症方面表現出色，特別是GLP-1受體激動劑對2型糖尿病和肥胖症的療效。然而，設計符合多重標準的肽類仍具挑戰。為此，我們推出了PepTune，一種專門用於生成和優化治療性肽的模型。透過蒙地卡羅樹搜索策略，PepTune能有效平衡探索與利用，生成具多樣化特性的肽，並解決了在離散空間中面臨的挑戰。我們的研究顯示，這種方法在肽設計上具備穩健性與靈活性。 PubMed DOI

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

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

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

抗生素的處方需在有效治療與降低抗藥性風險之間取得平衡。目前對大型語言模型（LLMs）的研究缺乏標準化，顯示出識別其輸出中的偏見和錯誤資訊的必要性。教育未來醫療專業人員了解這些問題至關重要，以確保在抗生素處方中正確使用LLMs。這樣的教育能幫助他們掌握LLMs的優缺點，最終促進臨床決策的改善。 PubMed DOI

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

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

這項研究用先進AI模型分析牙齦卟啉單胞菌的蛋白質序列，成功預測抗生素抗藥性。透過LSTM-attention、ProtBERT等模型，能高準確率辨識抗藥性菌株，有助於追蹤和預防抗藥性問題，對全球抗藥性危機的治療策略很有幫助。 PubMed DOI

胜肽能自組裝成多功能材料，應用於生醫和奈米科技，但因序列多樣、實驗變異大，設計上很困難。機器學習有助於發現新型自組裝胜肽，但需高品質資料、專業知識，且要納入失敗案例。結合先進AI和可解釋分析，可加速胜肽奈米材料的研發。 PubMed DOI