介绍了一种新的生物序列表示和特征提取方法BioVec，通过人工神经网络方法，将蛋白质序列表示为单个n维向量，可精确地识别蛋白质家族分类、蛋白质结构预测、无序蛋白质鉴定等各类生物信息学任务，表现优于现有方法。

Mar, 2015

应用机器学习于生物序列——DNA、RNA和蛋白质——具有巨大的潜力推进人类的健康、环境可持续性和基础生物学的理解。因此，本研究旨在探讨这一问题领域中的挑战并提供修改现有基于核的机器学习方法以确保其准确性和可靠性的简单有效的方式。

Apr, 2023

我们提出了一种支持生物序列机器用于蛋白质分类的模型，该模型通过使用机器学习算法来帮助和引导生物实验，在生物技术应用中提供了重要的洞察。该研究展示了在蛋白质分类领域的最新工作，并为生物序列分类领域的新方向铺平了道路，对于定制的平台开发具有积极意义。

Aug, 2023

该研究开发了一种方法来识别不同敏感性水平下的聚类中心和最佳聚类数量，并可以在不同的序列数据集上同样有效地工作。该方法结合了线性映射哈希函数和多序列比对（MSA），利用已由MSA输出排序相似性的序列，识别了能表示不同物种参考基因凭证的最佳聚类数量、聚类截断点和聚类中心。该方法根据线性映射哈希函数将已按相似性距离矩阵排序的序列映射到索引，以揭示值周围的差距，从而识别出不同聚类的最佳截断点。在使用密切相关序列（Nocardia物种的16S rRNA基因序列）和高度可变序列（Enterovirus 71的VP1基因组区域）的数据集进行评估时，该方法优于现有的无监督机器学习聚类方法和降维方法。该方法不需要先验知识来确定聚类数量或聚类间距离，能处理不同大小和形状的聚类，并且与数据集呈线性比例尺度。使用线性映射哈希函数结合MSA的基因序列聚类是一种计算效率高的方式，可用于评估相似性、聚类不同微生物基因组、识别参考序列，以及研究细菌和病毒的进化。

Nov, 2023

蛋白质表示学习是一个具有挑战性的任务，旨在从其氨基酸序列中捕获蛋白质的结构和功能。本文提出了一种神经聚类框架，通过考虑蛋白质的一级和三级结构信息来自动发现蛋白质的关键部分，在四个蛋白质相关任务上取得了最先进的表现。

Mar, 2024

本研究使用ESM2最先进的蛋白质语言模型，并结合蛋白质家族分类和基于社区传播的聚类算法，改善了全局蛋白质表示和局部氨基酸准确性，从而大幅提升蛋白质表达质量，并在多个下游实验中取得了最先进的结果。

Apr, 2024

通过整合前期训练模型和预训练的语言模型，本研究提出了ProteinLMDataset数据集和ProteinLMBench基准数据集，用于提升大型语言模型在蛋白质序列理解方面的能力，并通过实验证明其在蛋白质理解能力方面超越了GPT-4。

Jun, 2024

本研究解决了在蛋白质序列生成中可用数据有限的问题，通过重新训练包括Mistral-7B、Llama-2-7B、Llama-3-8B和gemma-7B在内的预训练大型语言模型，使其能够生成生物上合理的蛋白质结构。研究结果表明，即使在仅有42,000个独特人类蛋白质序列的数据集上，这些模型的表现与使用数百万蛋白质序列训练的专业模型相当，推动了计算生物学领域的透明度和合作。

Aug, 2024

本研究解决了传统生物序列分析中计算成本高和分类效用不确定的难题，提出了一种基于最近邻的相关聚类投影(CCP-NN)技术，旨在高效预处理分子序列数据。与常规方法相比，CCP-NN在提高分类任务准确率的同时，显著缩短了计算时间，展现了其在分子序列分析中的潜在影响。

Sep, 2024

本研究旨在解决传统蛋白质功能确定方法时间耗费大且劳动密集的问题，通过采用自然语言处理技术来提高蛋白质序列分类的精度和自动化水平。研究展示了多种机器学习和深度学习模型的应用，发现集成方法，特别是Voting分类器在准确率和F1得分上表现最佳，表明其在蛋白质分类中的重要性和潜力。

Sep, 2024