LLM时代，计算蛋白质科学进展如何？香港理工大学等发布系统性综述

目前golang学习网上已经有很多关于科技周边的文章了，自己在初次阅读这些文章中，也见识到了很多学习思路；那么本文《LLM时代，计算蛋白质科学进展如何？香港理工大学等发布系统性综述》，也希望能帮助到大家，如果阅读完后真的对你学习科技周边有帮助，欢迎动动手指，评论留言并分享~

蛋白质语言模型(pLMs)引领计算蛋白质科学发展：一项综述

蛋白质是生命的基础，参与几乎所有生命活动。蛋白质的序列、结构和功能之间存在着密切的联系，遵循“序列-结构-功能”范式。 然而，破译蛋白质的“语言”并理解其信息流动规则仍然是巨大的挑战。近年来，大型语言模型(LLMs)技术为计算蛋白质科学带来了新的机遇，催生了蛋白质语言模型(pLMs)。pLMs能够理解氨基酸序列，识别结构和功能信息，并整合多种生物医学数据。

香港理工大学等机构的研究团队近期发表综述文章，系统性地总结了LLM技术在计算蛋白质科学中的应用。该综述首先回顾了蛋白质建模的生物学基础和数据现状，然后对三种类型的pLMs进行了分类和讨论：基于序列的pLMs、结构与功能增强的pLMs以及多模态pLMs。

pLMs的类型和应用：

• 基于序列的pLMs: 这些模型利用氨基酸序列作为输入，学习氨基酸之间的依赖关系，从而推断蛋白质的结构和功能信息。 它们可以进一步细分为基于单序列和基于多序列的模型。

• 结构与功能增强的pLMs: 这些模型在基于序列的模型基础上，整合了蛋白质的结构和功能信息，从而提高了模型的预测精度和泛化能力。

• 多模态pLMs: 这些模型能够整合多种模态的数据，例如蛋白质序列、结构信息以及描述蛋白质的自然语言文本，从而更全面地理解蛋白质。

该综述还重点介绍了pLMs在蛋白质结构预测、功能预测和蛋白质设计中的应用，并探讨了其在抗体设计、酶设计和药物靶点发现中的潜力。 例如，pLMs在蛋白质结构预测方面取得了显著进展，例如AlphaFold2和ESMFold等模型已经能够以接近实验精度的水平预测蛋白质结构。

未来展望：

尽管pLMs在计算蛋白质科学领域展现出巨大潜力，但仍面临一些挑战，例如数据稀缺、蛋白质相互作用建模、模型可解释性以及计算效率等问题。 未来的研究方向包括开发更强大的pLMs，改进模型的可解释性，以及将计算方法与实验研究更紧密地结合起来。

该综述为研究人员提供了一个全面了解pLMs在计算蛋白质科学中的应用现状和未来发展方向的宝贵资源。 原文链接：https://arxiv.org/pdf/2501.10282 (请注意，此链接可能需要更新为实际的论文链接)

今天带大家了解了的相关知识，希望对你有所帮助；关于科技周边的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~