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

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

LLM4THP: a computing tool to identify tumor homing peptides by molecular and sequence representation of large language model based on two-layer ensemble model strategy.
LLM4THP：一種計算工具，用於通過基於雙層集成模型策略的分子和序列表示來識別腫瘤靶向肽。 Amino Acids 2024-10-15

腫瘤定位肽（THPs）能特異性結合腫瘤細胞，對癌症治療和檢測有潛力，但傳統檢測方法速度慢且成本高。為解決此問題，我們推出LLM4THP，利用大型語言模型（LLMs）快速檢測THP。該方法結合多種序列特徵，並採用集成策略，透過兩層學習架構提升準確性。LLM4THP在多項指標上表現優於現有方法，源代碼和數據集可在GitHub上獲得。 PubMed DOI

TPepRet: a deep learning model for characterizing T cell receptors-antigen binding patterns.
TPepRet：一個用於表徵 T 細胞受體-抗原結合模式的深度學習模型。 Bioinformatics 2025-01-29

TPepRet是一個新型模型，旨在深入了解T細胞受體（TCR）與肽的相互作用，對癌症免疫療法、疫苗開發及自體免疫疾病管理非常重要。與現有工具不同，TPepRet考量了序列數據的方向性語義，提升了TCR-肽結合的準確性。它使用雙向門控遞歸單元（BiGRU）網絡來捕捉序列依賴性，並整合大型語言模型進行全面分析。經過嚴格評估，TPepRet的表現超越其他工具，成為理解臨床TCR-肽相互作用的重要資源。源代碼可在GitHub上找到，補充數據則在Bioinformatics上提供。 PubMed DOI

Generation of antigen-specific paired chain antibody sequences using large language models.
利用大型語言模型生成抗原特異性配對鏈抗體序列。 bioRxiv 2025-03-03

傳統抗體發現方法效率低、成本高且成功率不佳。為了解決這些問題，最近引入了人工智慧（AI）技術來增強和創造新的抗體序列。本研究介紹了MAGE（單克隆抗體生成器），這是一種專門設計的蛋白質語言模型，能生成針對不同目標的人類抗體序列。MAGE已成功產生新穎且多樣的抗體，並在實驗中證實其對SARS-CoV-2、禽流感H5N1和RSV-A的結合特異性，成為針對多目標抗體設計的先驅工具。 PubMed DOI

TransHLA: a Hybrid Transformer model for HLA-presented epitope detection.
TransHLA：一種用於 HLA 呈現表位檢測的混合 Transformer 模型。 Gigascience 2025-03-04

TransHLA是一個創新的工具，能預測人類白血球抗原（HLA）上的表位呈現，克服了傳統工具只針對特定等位基因的限制。它結合了Transformer和殘基CNN架構，並利用ESM2大型語言模型進行序列和結構嵌入，達到高準確率：HLA I類84.72%，HLA II類79.94%，AUC分別為91.95%和88.14%。案例研究顯示，TransHLA在識別免疫原性表位及新表位方面優於現有模型，對疫苗設計和免疫療法有助益。工具及資源可在 https://github.com/SkywalkerLuke/TransHLA 獲得。 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