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

GPT4Kinase: High-accuracy prediction of inhibitor-kinase binding affinity utilizing large language model.
GPT4Kinase：利用大型語言模型進行抑制劑-激酶結合親和力的高精度預測。 Int J Biol Macromol 2024-11-01

這項研究顯示大型語言模型（LLMs），特別是GPT-4，在預測抑制劑與MAPK信號通路中激酶的結合親和力上非常有效。GPT-4在預測RAF結合親和力時達到87.31%的準確率，整體任務則為77.00%，明顯優於傳統方法如Autodock Vina等。模型還能識別與結合親和力相關的特徵，並透過分子對接進行驗證。這項研究強調LLMs在分子結合預測中的潛力，對生物研究和藥物開發意義重大。 PubMed DOI

FAPM: Functional Annotation of Proteins using Multi-Modal Models Beyond Structural Modeling.
FAPM：超越結構建模的多模態模型進行蛋白質的功能註釋。 Bioinformatics 2024-11-14

為蛋白質準確標註功能和催化活性是一項挑戰，尤其是對於缺乏同源蛋白的情況。傳統方法多依賴蛋白質序列，忽略了標籤的語義。為了解決這個問題，我們提出了FAPM模型，結合了蛋白質序列和自然語言，能生成基因本體（GO）功能術語和催化活性預測。研究顯示，FAPM在理解蛋白質特性上表現優於傳統模型，並在噬菌體蛋白的測試中達到最先進的結果。這種方法為蛋白質註釋提供了新的可能性。線上演示可在此網址找到：https://huggingface.co/spaces/wenkai/FAPM_demo。 PubMed DOI

Using Large Language Model to Optimize Protein Purification: Insights from Protein Structure Literature Associated with Protein Data Bank.
利用大型語言模型優化蛋白質純化：來自與蛋白質數據庫相關的蛋白質結構文獻的見解。 Adv Sci (Weinh) 2025-02-20

我們開發了一個自動化工具，利用大型語言模型（LLM）來簡化從超過81,000篇與蛋白質資料庫（PDB）相關的文章中提取和分類蛋白質的表達及純化方法。這個工具能有效解決優化蛋白質樣本的挑戰，因為表達條件和純化策略的變化常常耗時。主要發現包括：Tris緩衝液最常用，聚組氨酸標籤佔主導，最佳表達溫度為16-20 °C，誘導時間偏好12-16小時。這個資源對研究人員設計蛋白質實驗非常有幫助。 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

Kinase-substrate prediction using an autoregressive model.
自回歸模型在激酶-底物預測中的應用。 Comput Struct Biotechnol J 2025-04-07

這項研究提出了一種新方法來預測激酶與底物的關係，重點在蛋白質層級的預測，而非特定的磷酸化位點。研究將問題重新定義為蛋白質-蛋白質互作任務，利用ESM-2蛋白質大型語言模型進行編碼，並透過自回歸解碼器進行二元分類。硬負樣本抽樣策略提升了模型辨識正負互作的能力。此外，該模型具備零樣本預測能力，能識別沒有已知底物的激酶，顯示出強大的泛化能力。研究的代碼和數據可在GitHub上找到。 PubMed DOI

A Comprehensive Review of Computational Methods for Protein-DNA Binding Site Prediction.
蛋白質-DNA 結合位點預測的計算方法綜述。 Anal Biochem 2025-04-10

這項研究強調準確識別蛋白質-DNA結合位點的重要性，對理解生物過程和推進藥物發現至關重要。傳統生化方法雖然是金標準，但因耗時耗資而不實用，因此需要高效的計算方法來預測這些位點。文章將計算方法分為三類：模板檢測、統計機器學習和深度學習，並用136個非冗餘蛋白質的基準評估14個預測模型。結果顯示，深度學習方法，特別是利用預訓練大型語言模型的，準確性最佳。此外，研究還探討了這些預測方法在生物研究和藥物設計中的應用潛力。 PubMed DOI

PSTP: accurate residue-level phase separation prediction using protein conformational and language model embeddings.
PSTP：利用蛋白質構象與語言模型嵌入進行精確殘基層級相分離預測 Brief Bioinform 2025-05-02

PSTP 是一款新型工具，能直接從蛋白質序列預測蛋白質相分離，運用先進機器學習技術，對沒註解或人工設計的蛋白質也有好表現。它能細緻到胺基酸層級預測，並連結疾病相關突變。PSTP 操作簡單、運算快，提供網頁和 Python 套件，方便研究蛋白質相分離與疾病關聯。 PubMed DOI

EDS-Kcr: deep supervision based on large language model for identifying protein lysine crotonylation sites across multiple species.
EDS-Kcr：基於大型語言模型的深度監督，用於跨多物種鑑定蛋白質賴氨酸 crotonylation 位點 Brief Bioinform 2025-06-02

這項研究開發了 EDS-Kcr 工具，結合蛋白質語言模型和深度學習，能更準確預測蛋白質的 lysine crotonylation（Kcr）位點，表現優於現有方法。EDS-Kcr 支援多種物種，解釋性佳，並提供免費網頁伺服器，方便應用於疾病診斷和藥物開發。 PubMed DOI

ProtFun: A Protein Function Prediction Model Using Graph Attention Networks with a Protein Large Language Model.
ProtFun：結合蛋白質大型語言模型與圖注意力網路的蛋白質功能預測模型 bioRxiv 2025-06-04

這篇研究提出 ProtFun 深度學習模型，結合蛋白質語言模型嵌入、家族網路資訊（用圖注意力網路）和蛋白質特徵，來預測蛋白質功能。實驗結果顯示 ProtFun 在標準資料集上表現比現有方法更好，程式碼也已經公開。 PubMed DOI

原始文章

站上相關主題文章列表