核糖體合成及後轉譯修飾的肽類（RiPPs）由酶產生，這些酶的底物偏好往往難以預測。大型語言模型（LLMs）在預測這些偏好上顯示潛力，但通常依賴有限的肽序列數據。針對乳酸酯生物合成途徑的研究發現，對LazBF和LazDEF兩種酶的底物數據進行掩碼語言建模，可以提升對這兩種酶的預測準確性。這顯示模型能學習同一路徑內不同酶的功能轉移，並且針對特定數據集進行微調能顯著改善預測，對設計RiPP生物合成途徑的底物庫有幫助。 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

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

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

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

NeuroScale 是新一代深度學習模型，結合演化蛋白質建模和多尺度神經網路（GoogLeNet），能精準預測神經肽（AUC 超過 0.97），不論序列相似度或長度都很穩定，非常適合用來發現神經肽和開發肽類藥物。 PubMed DOI

UniDL4BioPep 是一套簡單好上手的機器學習工具，專門幫忙找生物活性胜肽。它用先進的蛋白質語言模型（像 ESM），大幅減少模型開發的難度和時間。就算是做濕實驗的研究人員，也能一鍵快速建立、客製化預測模型，特別適合做二元分類。本章會介紹它的技術細節和實際用法。 PubMed DOI