Generative artificial intelligence performs rudimentary structural biology modeling.
生成人工智慧執行基本的結構生物學建模。 bioRxiv 2024-03-11

AI技術如GPT-4在生物學領域展現潛力，可生成氨基酸、多肽鏈的3D結構，並分析藥物與靶蛋白的互動。儘管有時會出現錯誤，但AI成功辨識關鍵氨基酸殘基。這研究顯示AI在生物學模擬和分子互動分析上的應用前景。 PubMed DOI

De novo drug design as GPT language modeling: large chemistry models with supervised and reinforcement learning.
以 GPT 語言建模進行藥物的全新設計：利用監督式學習和強化學習建立大型化學模型。 J Comput Aided Mol Des 2024-04-22

生成式機器學習在使用SMILES語言設計藥物分子上取得成功。研究指出大型語言模型在藥物設計有潛力，透過預訓練的方式成功轉移到藥物領域，效果優於先前研究。這種模型能生成對特定靶點有效的分子，展現了在藥物發現上的潛力。這為未來更大型的研究提供可能性，有助於開發非專利的藥物替代品。 PubMed DOI

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

Large language models reshaping molecular biology and drug development.
大型語言模型重塑分子生物學和藥物開發。 Chem Biol Drug Des 2024-06-19

大型語言模型（LLMs）在醫學和臨床資訊學中扮演重要角色，能幫助突破和個人化治療。透過分析複雜的生物數據，揭示基因組學、蛋白質結構和健康記錄中的隱藏模式，對基因組分析、藥物開發和精準醫學有所助益。然而，必須面對數據偏見、隱私和道德等挑戰，才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展，造福個人和社區。 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

ProtAgents: protein discovery <i>via</i> large language model multi-agent collaborations combining physics and machine learning.
ProtAgents: 透過結合物理學與機器學習的大型語言模型多智能體協作，進行蛋白質發現。 Digit Discov 2024-07-12

介紹了ProtAgents，一個利用大型語言模型設計新蛋白質的平台。多個人工智慧代理人合作應對複雜任務，擁有多樣能力。透過LLMs驅動的代理人合作，提供多功能蛋白質設計和分析方法。系統可設計新蛋白質、分析結構，並模擬振動頻率。自動化和協同方法可設計具特定機械性能的蛋白質，釋放解決多目標材料問題的潛力，為自主材料發現和設計鋪平道路。 PubMed DOI

Leveraging a large language model to predict protein phase transition: A physical, multiscale, and interpretable approach.
利用大型語言模型預測蛋白質相變：一種物理、多尺度和可解釋的方法。 Proc Natl Acad Sci U S A 2024-08-07

這項研究探討如何利用大型語言模型（LLMs）預測蛋白質相變（PPTs），對於理解與年齡相關的疾病如阿茲海默症非常重要。研究者微調了一個LLM，評估蛋白質序列變異對PPTs的影響，結果顯示該模型的表現超越傳統方法，並結合隨機森林模型提升可解釋性。此外，研究發現阿茲海默症相關蛋白質的聚集增加與基因表達下降有關，暗示可能存在自然防禦機制來對抗該疾病。 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

Teaching AI to speak protein.
教導人工智慧理解蛋白質語言。 Curr Opin Struct Biol 2025-02-22

蛋白質語言模型（pLMs）正逐漸成為理解蛋白質序列及其功能的重要工具，特別是在預測分子功能方面，如識別結合位點和評估基因變異影響。不過，單靠pLM嵌入在蛋白質結構預測上仍無法與最佳方法相提並論。透過微調這些pLM，可以提升其效率和準確性，尤其在實驗數據不足的情況下。總的來說，pLM為計算生物學與實驗生物學的整合鋪路，預示著蛋白質設計的新時代。 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

原始文章

站上相關主題文章列表