抗菌肽（AMP）和人工智能（AI）在抗菌耐药性方面有着巨大的潜力，提供了一种替代传统抗生素的方法。本文综述了 AI 驱动的 AMP 发现的最新成就，并强调了最激动人心的方向。

Aug, 2023

通过考虑多个属性，提出了一种名为 HMAMP 的新颖方法，将强化学习和基于超体积最大化概念的梯度下降算法相结合，以实现多属性抗微生物肽的同时优化。该方法生成了一系列平衡多种属性的潜在抗微生物肽候选者，并确定了这些候选者的 Pareto 前沿中的关键点。实证结果证实，HMAMP 设计的抗微生物肽具有竞争性能和增强的多样性，而对十个潜在候选抗微生物肽的螺旋结构和分子动力学模拟的详细分析验证了 HMAMP 在多属性抗微生物肽设计领域的优越性。HMAMP 能够系统地设计考虑多个属性的抗微生物肽，标志着建立一个通用的计算框架，用于多目标抗微生物肽设计的开创性里程碑。

May, 2024

本论文提出了基于半监督变分自编码器模型的 Peptide Generation Framework（PepCVAE），用于设计新型抗菌肽（AMP）序列，通过大量未标记的肽序列学习一种丰富的生物肽上下文的潜在空间，同时通过 AMP 分类器的反馈学习出一种分离的抗菌属性空间，生成的 AMP 序列表现优于标准 VAE，具有高度多样性，是下一代抗菌设计中非常理想的选择。

Oct, 2018

本文介绍了一个正在进行的案例研究，运用机器学习技术对抗生素抗性进行分析，通过样本大小，分类准确性等因素来评价机器学习技术的优劣，并指出机器学习在确定与抗生素抗性现象相关的基因区域方面取得了成功。此类研究有助于引起 Data-for-Good 社区的注意。

Jul, 2016

利用深度学习优化多目标抗菌肽，通过多目标合成管道（MoFormer）在结构化潜空间中引导和改善抗菌肽序列的属性以提高抗菌活性和减少溶血，同时使用非支配排序算法和大模型微调的代理方法进行候选者的层次排名，通过分子模拟和可视化潜空间来追踪和优化肽的结构和功能，验证了多目标优化的有效手段。

Jun, 2024

利用深度学习技术，本文提出了 PepGB 和 diPepGB 两个深度学习框架，用于预测肽蛋白相互作用关系，以促进肽类早期药物发现，提高目标识别和化合物发现过程中的效率。

Jan, 2024

本研究基于 Drouin 等人 (2016) 的相关工作，运用集合覆盖机对抗菌素抗性模型进行高度解释性学习，以及大规模的应用到整个 PATRIC 数据库中，并提出了新的 Kover AMR 平台，用于可视化和解释生成的模型，以期准确预测抗生素表现，根据不同的临床情况，为每个人的治疗计划提供定制服务，从而提高临床结果。

Dec, 2016

提出了一种高效的基于 Transformer 的框架，利用 ESM、ProtBert、BioBERT 和 SciBERT 四种不同的 Transformer 模型从氨基酸序列中检测抗癌肽，实验证明该模型在准确率上优于现有研究，为抗癌肽研究确定了新的最先进水平。

Jan, 2024

通过使用核苷酸序列语言模型和基于 PubMed 文章的文本语言模型，我们提出了一种细调核苷酸序列语言模型和文本语言模型的方法，以及一种 LLM 基础上的数据增强技术和有效结合两个模型的集成方法。我们还提出了一种用于评估模型的基准，在药物抗性类别预测中，我们的方法表现出比核苷酸序列语言模型更好的性能。

Jan, 2024

在这项研究中，我们介绍了一种用于定量化定义和评估抗菌肽中的活性悬崖现象的基准框架 (AMPCliff)，并发现机器学习模型在检测活性悬崖事件方面具有良好性能。

Apr, 2024