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

人工智能驱动的方法可以大大改善历史上昂贵的药物设计过程，各种生成模型已经广泛使用。特别是对于全新药物设计的生成模型，侧重于完全从零开始创建新的生物化合物，展示了一个有前途的未来方向。通过对该领域的迅速发展以及药物设计过程的固有复杂性，为新研究者进入创造了一个困难的环境。在这项调查中，我们将全新药物设计分类为两个主要主题：小分子和蛋白质生成。在每个主题中，我们确定了各种子任务和应用，突出重要的数据集、基准和模型架构，并比较了顶级模型的性能。我们采取广泛的方法进行人工智能驱动的药物设计，允许在每个子任务中对各种方法进行微观水平的比较，并跨不同领域进行宏观观察。我们讨论了这两个应用之间的并行挑战和方法，并强调了人工智能驱动的全新药物设计的未来方向。所有涵盖的资料的有组织存储库可以在此链接中找到：https://www.example.com

Feb, 2024

该研究总结了在蛋白质研究中使用语言模型的应用，包括设计新型人工蛋白质、使用非 Transformer 结构以及应用于定向进化方面。这些成果已经快速提升了蛋白质研究的发展和性能。

May, 2023

本文提出了三种生成神经网络方法，用于生成 DNA 序列，并调整其具有期望的性质。这些工具捕捉到数据的重要结构，并在设计蛋白质结合微阵列探针时，生成具有超越训练数据的性能的新序列。我们相信这些结果为将深层生成模型应用于推进基因组学研究开辟了新的空间。

Dec, 2017

利用 1.2B 的参数语言模型 ProGen，将蛋白质工程视为无监督的序列生成问题，以此利用缺乏昂贵结构注释的蛋白质的日益增长的集合，从而生成出更具有进化多样性的序列，为解决合成生物学、医学和材料科学等领域的根本问题提供了可能。

Mar, 2020

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

该论文介绍了一种新的蛋白质设计方法，叫做全局内容感知生成性蛋白质设计方法（GCA），该方法旨在通过操作全局和局部信息，以获得能够折叠成定义结构的新蛋白质序列。实验结果表明，该方法在全新的蛋白质设计中表现良好，并会发布全新的代码和预训练模型。

Apr, 2022

本文引入了一种生成模型，旨在设计具有特定 3D 结构和化学性质的蛋白质，以实现特定的功能。通过实验数据全面学习，该模型可生成全原子骨架构象以及序列和侧链预测，实现了分子生成建模方法的显著扩大。

May, 2022