通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

Feb, 2019

本文提出了一种新的预训练框架，它将用于蛋白质主体结构和三级结构的序列和几何分析器级联，模拟野生型蛋白质的自然选择并评估变体的效果，以指导遗传突变方向，实现所需特征，提出了一种新的变体影响预测方法，其预测结果在单点和深部变异方面表现良好。

Jun, 2023

本文提出基于蛋白质网络结构特性、相互作用和动态性的新型生物启发式设计 —— 人工蛋白质网络（APN），从而在神经网络的进化过程中产生了一种新的理念转变。

Jun, 2024

提出了一种新颖的基于 $Meta_{Abd}$ 的自动生物设计工程框架，使学习机器能够同时优化模型并减少实验成本和数据注释的研究。

May, 2021

通过将进化算法、机器学习和生物信息学相结合，我们提出了一种计算方法，可以扩展已知功能蛋白家族的词汇表，进而发展出以前从未存在过的全新蛋白质，从而推动计算进化的新子领域的发展。

Feb, 2024

该论文综述了近期将机器学习应用于蛋白质序列优化的发展，重点介绍了深度生成方法对这一过程的促进作用。

Apr, 2021

利用人工智能等方法进行蛋白质工程和全新设计的研究方案，如生成模型和扩散过程，能够生成展现出所需特性和功能的全新而真实的蛋白质，在优先测试设计方案方面仍然面临一些挑战，因此需要综合生物化学知识提高性能和可解释性。

Oct, 2023

本文提出一种少样本学习的方法来设计新的功能性蛋白质，该方法包括半监督迁移学习生成离散可行解空间和新型进化蒙特卡罗马尔可夫链采样算法更高效地探索可行解空间。我们在实验中展示了该方法设计出的高适应度基因激活剂有着比现有方法显著的命中率提升，且该方法可以轻松应用在其他蛋白质工程和设计问题中。

May, 2023

通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。

Apr, 2023

在生物医学环境中，为了从多个非同步进程中获取尽可能多的相关事件，需要计划和执行一种高效的获取范式。为了解决这个问题，本文提出了两种新的方法：基于人工智能的编码动态进程方法（EDP），以及基于机器学习运营的动态进程实验自动化流水线（EAPDP），它使用从 EDP 中提取的知识来高效地调度实践中的生物医学实验的获取过程。在第一个实验中，我们展示了预训练的最先进的目标分割方法 CPN 作为 EAPDP 的一个模块，从获取的三维图像堆栈中提取出 EDP 相关的对象。

Oct, 2023