Becoming fluent in proteins.
成為蛋白質的流利者。 Cell Syst 2024-01-30

像ProGen2和IgLM這樣的大型語言模型正被應用在蛋白工程領域，以更有效地設計蛋白質。 PubMed DOI

ifDEEPre: large protein language-based deep learning enables interpretable and fast predictions of enzyme commission numbers.
ifDEEPre：基於大型蛋白質語言的深度學習可解釋且快速預測酶分類號碼。 Brief Bioinform 2024-06-28

酶功能對醫學和生物技術至關重要，但現有方法速度慢且解釋不清。ifDEEPre是DEEPre的新版本，利用自導注意力和生物知識快速預測酶功能。ifDEEPre比DEEPre快50倍，且儲存空間需求較少，在酶數據集上表現更好。這個模型準確捕捉複雜蛋白質模式和演化趨勢，可幫助設計新酶。ifDEEPre的網頁伺服器和程式碼對大眾開放使用。 PubMed DOI

Approaching Optimal pH Enzyme Prediction with Large Language Models.
利用大型語言模型接近最佳 pH 酶預測。 ACS Synth Biol 2024-08-28

酵素在生物技術中非常重要，應用於食品、洗衣、製藥等領域，因為它們能催化化學反應。酵素的活性受pH值影響，每種酵素在特定pH範圍內表現最佳。為了解決這個挑戰，我們開發了一種基於語言模型的方法，預測酵素序列的最佳pH範圍。透過多種切分策略，我們的機器學習模型在不同蛋白質家族中展現高準確性，能快速識別具有理想pH的酵素，促進高通量探索。 PubMed DOI

Fine-tuning protein language models boosts predictions across diverse tasks.
微調蛋白質語言模型提升各種任務的預測能力。 Nat Commun 2024-08-28

這項研究強調微調蛋白質語言模型在各種預測任務中的有效性，顯示針對特定任務的監督式微調能提升表現。研究比較了三個先進模型（ESM2、ProtT5、Ankh）在八個任務上的表現，結果顯示高效的微調能達到類似改善，並顯著減少資源消耗和訓練時間。特別對於數據集有限的任務，如預測單個蛋白質的適應性景觀，微調的做法更具價值。作者還提供了使用者友好的筆記本，方便進行模型微調。 PubMed DOI

FuncFetch: An LLM-assisted workflow enables mining thousands of enzyme-substrate interactions from published manuscripts.
FuncFetch：一個 LLM 輔助的工作流程，能夠從已發表的手稿中挖掘數千個酶-底物相互作用。 Bioinformatics 2024-12-24

FuncFetch是一個新開發的工作流程，利用大型語言模型（如GPT-4）來增強生物編輯，從數千篇科學手稿中提取酶活性。它整合了NCBI E-Utilities和Zotero等工具，篩選文獻並收集酶的數據。驗證結果顯示在識別酶活性方面精確度高，但仍需手動編輯以修正提取錯誤。該流程已應用於九個大型植物酶家族，篩選超過26,000篇論文，檢索32,000條條目。FuncFetch旨在提升生物編輯效率，並促進未表徵酶的功能預測，相關程式碼和數據已公開供研究使用。 PubMed DOI

Integrating genetic algorithms and language models for enhanced enzyme design.
整合遺傳算法與語言模型以增強酶的設計。 Brief Bioinform 2025-01-09

這項研究提出了一個新框架，結合大型語言模型（LLMs）和遺傳演算法（GAs），用來優化酶的設計，解決蛋白質序列及功能的複雜挑戰。研究人員透過大量蛋白質序列數據，找出影響酶結構和功能的氨基酸關係，並利用遺傳演算法有效搜尋能提升催化性能的酶序列。測試結果顯示，生成的酶突變體在90%的案例中超越野生型酶，並維持相似的結構特徵，顯示這種方法的有效性，推進了生物催化劑設計的計算方法。 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

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

Comparative Assessment of Protein Large Language Models for Enzyme Commission Number Prediction.
酶委員會編號預測的蛋白質大型語言模型比較評估。 BMC Bioinformatics 2025-02-27

這項研究評估了幾種蛋白質大型語言模型（LLMs），如ESM2、ESM1b和ProtBERT，在預測酶功能方面的表現，並與傳統的序列比對方法BLASTp進行比較。雖然BLASTp通常表現較佳，但LLMs，特別是結合全連接神經網絡時，超越了傳統的一熱編碼模型。ESM2被認為是最有效的LLM，尤其在挑戰性註釋任務中表現突出。研究顯示，LLMs雖未達到BLASTp的黃金標準，但在序列同一性低的情況下，能有效預測難以註釋的酶的EC編號，並強調兩者可互補，提升酶的註釋效果。 PubMed DOI

DrugGen enhances drug discovery with large language models and reinforcement learning.
DrugGen 結合大型語言模型與強化學習以促進新藥發現 Sci Rep 2025-04-18

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

原始文章

站上相關主題文章列表