Inverse folding of protein complexes with a structure-informed language model enables unsupervised antibody evolution.
利用結構資訊語言模型進行蛋白質複合物的反向折疊，實現無監督抗體進化。 bioRxiv 2024-02-10

透過大型語言模型訓練，結合蛋白結構資訊，可以引導蛋白演化，提升功能。這種策略非監督式學習，能夠優化蛋白結構，增強功能。研究已成功應用於提升對抗SARS-CoV-2的抗體效力，改善對病毒變異體的中和和親和力。逆向折疊方法優於其他機器學習引導的進化方式，成功率高，且無需特定訓練數據。 PubMed DOI

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

BiSpec Pairwise AI: guiding the selection of bispecific antibody target combinations with pairwise learning and GPT augmentation.
BiSpec Pairwise AI：利用成對學習和 GPT 增強指導雙特異性抗體靶點組合的選擇。 J Cancer Res Clin Oncol 2024-05-07

研究者利用機器學習模型和大型語言模型，透過檢索增強生成方法，預測並生成可解釋的BsAbs分析報告。結合XGBoost和GPT模型，討論BsAbs藥物的有效性，協助製藥公司做出更明智的決策。這項研究創新之處在於整合機器學習和GPT技術，提升了預測的精確性和可解釋性。 PubMed DOI

Unsupervised evolution of protein and antibody complexes with a structure-informed language model.
蛋白質和抗體複合物的無監督進化與結構資訊語言模型。 Science 2024-07-04

透過序列數據訓練的語言模型可學習蛋白質設計原則，但蛋白功能受結構影響。結合語言模型與結構資訊，可引導蛋白演化，改良抗SARS-CoV-2抗體，增強對病毒變異的中和能力。整合結構數據有助於找出有效蛋白演化路徑，無需特定訓練。 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

Prompt-engineering enabled LLM or MLLM and instigative bioinformatics pave the way to identify and characterize the significant SARS-CoV-2 antibody escape mutations.
促進提示工程的 LLM 或 MLLM 及激發性生物資訊學為識別和特徵化重要的 SARS-CoV-2 抗體逃逸突變鋪平道路。 Int J Biol Macromol 2024-12-10

這項研究利用先進技術，結合大型語言模型（LLMs）和生物資訊學，來識別SARS-CoV-2的N端區域（NTD）和受體結合區域（RBD）中的抗體逃逸突變。研究發現15個NTD突變和17個RBD突變，並分析其穩定性及其他參數。結果顯示部分突變會降低穩定性，而另一些則提升穩定性。這項研究強調了結合LLMs與生物資訊學的潛力，對於理解病毒行為及免疫逃逸具有重要意義，對未來疫情應對至關重要。 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

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

Revolutionizing oncology: the role of Artificial Intelligence (AI) as an antibody design, and optimization tools.
革新腫瘤學：人工智慧 (AI) 在抗體設計與優化工具中的角色。 Biomark Res 2025-03-29

抗體對免疫系統非常重要，能保護身體免受疾病侵害，包括癌症。從單克隆抗體到CAR-T細胞等先進療法，這個領域已經有了重大進展。最近，人工智慧（AI）的應用改變了抗體的設計與優化，透過大型語言模型和生成式AI，加速新抗體的生成，提升免疫反應的準確性，並增強治療效果。AI幫助預測和設計抗體序列、結構及相互作用，解決開發中的挑戰，提升治療的精確性與速度，為下一代癌症療法鋪路，改善精準醫療的治療結果。 PubMed DOI

原始文章

站上相關主題文章列表