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

Improving functional protein generation via foundation model-derived latent space likelihood optimization.
透過基礎模型衍生的潛在空間似然優化來改善功能性蛋白質生成。 bioRxiv 2025-01-20

深度生成模型越來越常用於從零開始設計功能性蛋白質。雖然3D蛋白質設計是一種方法，但基於序列的生成方法因為擁有大量的蛋白質序列數據和較簡單的訓練需求而更受歡迎。這些模型專注於匹配訓練數據中的蛋白質序列，但不必每個氨基酸都完全一致，因為某些變異不影響功能。我們提出了一種新訓練方法，優化氨基酸序列和潛在空間中的訓練數據可能性，並在生成抗微生物肽和蘋果酸脫氫酶上測試，結果超越了多種其他深度生成模型，顯示出我們的方法在功能性蛋白質生成上的有效性。 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

Discovery of antimicrobial peptides with notable antibacterial potency by an LLM-based foundation model.
基於 LLM 的基礎模型發現具有顯著抗菌效力的抗微生物肽。 Sci Adv 2025-03-05

AMP-Designer 是一種創新的方法，利用大型語言模型設計抗微生物肽 (AMPs)。在短短 11 天內，成功設計出 18 種對革蘭氏陰性菌有效的 AMP，體外測試成功率高達 94.4%。其中兩個候選者展現出強大的抗菌活性、低血毒性及在人體血漿中的穩定性，並在小鼠肺部感染研究中顯著減少細菌負荷。整個過程從設計到驗證僅需 48 天，特別適合針對特定細菌株，顯示出對抗抗生素抗藥性的潛力。 PubMed DOI

PKAN: Leveraging Kolmogorov-Arnold Networks and Multi-modal Learning for Peptide Prediction with Advanced Language Models.
PKAN：結合 Kolmogorov-Arnold 網路與多模態學習，搭配先進語言模型進行胜肽預測 IEEE J Biomed Health Inform 2025-04-17

這項研究提出了PKAN新架構，結合多模態表徵和語言模型概念，能更準確預測胜肽的活性與功能，表現優於現有方法。PKAN也有助於解析影響胜肽功能的關鍵特徵，推動生物學上胜肽語言模型的發展。 PubMed DOI

Analyzing and exploring Graph Attention Networks and protein-based language models for predicting Porhyromonas gingivalis resistant efflux protein sequences.
Graph Attention Networks 與蛋白質語言模型於預測 Porphyromonas gingivalis 抗藥性外排蛋白序列之分析與探討 Dent Med Probl 2025-05-15

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

A Survey of Pretrained Protein Language Models.
預訓練蛋白質語言模型之調查 Methods Mol Biol 2025-07-02

蛋白質語言模型（PLMs）受大型語言模型啟發，已大幅推動蛋白質生物資訊學發展，特別在分類、功能預測和新蛋白質設計上表現亮眼。本章介紹PLMs的發展、主要架構及新趨勢，強調這些技術對解決生物學難題越來越重要。 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

原始文章

站上相關主題文章列表