Google DeepMind 最近推出的 AlphaFold 3 是一款突破性的 AI 模型，能在幾秒鐘內準確預測蛋白質結構，速度和準確性都超越了前作 AlphaFold 2。這項技術對藥物發現、疫苗開發等領域影響深遠，能大幅縮短研究時間。AlphaFold 3 採用先進的機器學習技術，提供蛋白質動態和相互作用的深入見解，預示著生物醫學領域將迎來更多創新，最終有助於改善病患護理。 PubMed DOI

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

Protein CREATE（計算重設透過實驗增強訓練引擎）是一個創新的流程，結合計算設計與實驗驗證，提升蛋白質結合劑的開發效率。透過先進技術如下一代測序和噬菌體展示，研究人員能夠收集大量的結合數據，並生成數千種針對IL-7受體α和胰島素受體的設計結合劑。這項研究不僅發現了新的結合劑，還提供了結合特性的深入見解，強調結構特徵的重要性，並促進設計-建造-測試的閉環循環，未來將更精確地設計蛋白質結合劑。 PubMed DOI

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

這項研究探討如何利用計算設計來結合新型表位的T細胞受體（TCR），面對的挑戰是缺乏相關數據。研究人員提出了一種新方法，運用上下文學習來增強TCR的生成。主要策略包括： 1. **上下文訓練**：透過目標表位和已知TCR訓練模型，提升TCR生成的準確性。 2. **自我反思提示**：模型根據目標表位自生成上下文TCR，並在推斷中使用。 實驗結果顯示，這種方法顯著提升了新型表位的TCR質量，並有潛力推進靶向免疫療法。 PubMed DOI

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

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

ProteinMPNN 是一個幫助設計蛋白質的工具，能識別特定三維結構的氨基酸序列。我們對其進行了修改，目的是創造對細胞毒性 T 淋巴細胞不那麼明顯的蛋白質，因為這些細胞透過 MHC-I 路徑來識別蛋白質。我們引入了結合直接偏好優化（DPO）的方法，並預測 MHC-I 肽的呈現，成功設計出具有較少 MHC-I 表位的蛋白質，且不影響其結構完整性。詳細的源代碼可在這裡找到：https://github.com/hcgasser/CAPE_MPNN。 PubMed DOI

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

目前人類抗體序列的多樣性了解有限，因為現有檢測方法又貴又沒效率。作者開發了IgHuAb大型語言模型，能產生大量成對人類抗體序列，並建立了SynAbLib合成抗體庫，不只反映自然多樣性，還有更高變化。實驗證明，SynAbLib的抗體表現很好。這些工具提供一種可擴展的方法，能快速產生和搜尋理想人類抗體。 PubMed DOI