PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion.
PepTune: 以多目標引導的離散擴散法新穎生成治療性肽。 ArXiv 2025-01-07

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

Leveraging protein language models for robust antimicrobial peptide detection.
利用蛋白質語言模型進行穩健的抗微生物肽檢測。 Methods 2025-03-06

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

Learning the rules of peptide self-assembly through data mining with large language models.
透過大型語言模型的數據挖掘學習肽自組裝的規則。 Sci Adv 2025-03-26

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

Prediction of Umami Peptides Based on a Large Language Model of Proteins.
基於大型蛋白質語言模型的鮮味肽預測。 J Chem Inf Model 2025-04-11

這項研究專注於鮮味肽，透過蛋白質語言模型分析其特性。研究人員收集了 IC50 和 Kd 數據，建立預測蛋白質-肽親和力的模型，並檢視鮮味肽與味覺受體的關係。結果顯示，鮮味肽對鮮味受體的親和力較強，但對苦味受體則無顯著差異。研究編制了972種鮮味肽和608種非鮮味肽的數據集，並開發出準確率達82%的預測模型，還創建了使用者友好的網站UmamiMeta，成為鮮味肽分析的資源。 PubMed DOI

PKAN: Leveraging Kolmogorov-Arnold Networks and Multi-modal Learning for Peptide Prediction with Advanced Language Models.
PKAN：結合 Kolmogorov-Arnold 網路與多模態學習，搭配先進語言模型進行胜肽預測 IEEE J Biomed Health Inform 2025-04-17

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: evolutional scale-based protein language models enable prediction of neuropeptides.
NeuroScale：基於演化尺度的蛋白質語言模型促進神經肽的預測 BMC Biol 2025-05-28

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

Using Machine Learning to Fast-Track Peptide Nanomaterial Discovery.
運用機器學習加速胜肽奈米材料的發現 ACS Nano 2025-05-29

胜肽能自組裝成多功能材料，應用於生醫和奈米科技，但因序列多樣、實驗變異大，設計上很困難。機器學習有助於發現新型自組裝胜肽，但需高品質資料、專業知識，且要納入失敗案例。結合先進AI和可解釋分析，可加速胜肽奈米材料的研發。 PubMed DOI

Designing diverse and high-performance proteins with a large language model in the loop.
結合大型語言模型設計多樣且高效能的蛋白質 PLoS Comput Biol 2025-06-05

作者提出一套新方法，結合半監督神經網路（Seq2Fitness）和創新最佳化演算法（BADASS），能更準確預測蛋白質適應度，並有效率產生多樣且高適應度的蛋白質序列。這方法比現有技術更省資源、效果更好，未來也有機會應用在 DNA、RNA 等其他生物序列上。 PubMed DOI

A Survey of Pretrained Protein Language Models.
預訓練蛋白質語言模型之調查 Methods Mol Biol 2025-07-02

蛋白質語言模型（PLMs）受大型語言模型啟發，已大幅推動蛋白質生物資訊學發展，特別在分類、功能預測和新蛋白質設計上表現亮眼。本章介紹PLMs的發展、主要架構及新趨勢，強調這些技術對解決生物學難題越來越重要。 PubMed DOI

Prediction of Protein-Peptide Binding Sites Using PepBCL.
使用 PepBCL 預測蛋白質-胜肽結合位點 Methods Mol Biol 2025-07-02

PepBCL 是一套能直接從蛋白質序列預測蛋白質-胜肽結合位點的端對端方法，不需額外特徵工程。它用預訓練蛋白質語言模型自動學習序列特徵，準確率和穩定性都比現有方法好。論文也有詳細說明方法和重現步驟。 PubMed DOI

原始文章

站上相關主題文章列表