本研究介绍了一种使用多模态线索（如分子结构）帮助模型学习实体（蛋白质）的多组学生物信息的新颖框架，以图形为基础的多模态学习机制利用 GraphBERT 模型编码了文本和分子结构信息，并利用不同模态的基础特征进行端到端的学习。在生物医学领域的蛋白质相互作用任务中，我们的提出的广义方法发现受到了领域特定模态的额外获益。

Jul, 2021

利用基于语言模型的灵活深度学习策略，基于一个完全基于提示的模型，将transformer和图卷积架构集成到因果多头图机制中，实现一个生成预训练模型，用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务，并可用于设计具有这些特性的蛋白质，这个模型展现了多任务和协同作用的应用价值。

May, 2023

这项研究使用先进的深度学习模型对肽的编码进行了全面的基准分析，为肽相关的各种预测提供指导，如等电点、水合自由能等。

Jul, 2023

使用图神经网络和大型语言模型在编码器-解码器框架中，本研究提出了一种新颖的方法Prot2Text，以自由文本形式预测蛋白质的功能，超越传统的二分类或多分类任务，该多模态方法综合蛋白质序列、结构和文本注释等多种数据类型，实现了对蛋白质功能的整体表示，提供了详细准确的描述，通过从SwissProt中提取多模态蛋白质数据集对模型进行评估，结果表明了多模态模型的转变性影响，特别是图神经网络和大型语言模型的融合，为研究人员提供了更准确预测蛋白质功能的强大工具，代码、模型和演示将公开发布。

Jul, 2023

通过使用Transformer和PeptideBERT等Language Models，本研究引入一种蛋白质语言模型，用于预测多肽的溶血性、溶解度和非粘附性等关键性质，并在此基础上获得了近期最佳结果。

Aug, 2023

通过融合基于序列和图形编码的深度学习方法，本研究提出了一种名为RepCon的肽共建模方法，用于提高鉴别性能。实验证明，RepCon方法在共建模框架下的优越性以及在模型解释方面的有效性。

Oct, 2023

我们提出了PepLand，它是一种新颖的预训练架构，用于表示和属性分析既包括规范又包括非规范氨基酸的多肽。经验验证证实了PepLand在蛋白质相互作用、渗透性、溶解度和合成能力等各种多肽性质预测中的有效性，为多肽中心研究领域的转变性进展奠定了坚实的基础。

Nov, 2023

准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近，多模态深度学习方法成功应用于分子性质预测，以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。

Dec, 2023

通过综合分析最近在生物分子和自然语言的交叉建模研究领域取得的最新进展，我们阐述了生物分子技术表示的技术、多模态语言和分子数据源集成的关键目标和原理、实际应用、可用资源和数据集的总结、以及未来研究方向等。

Mar, 2024

利用GALLON框架，将LLMs与GNNs能力结合起来，通过提取多模态知识到一个统一的多层感知器模型（MLP），集成了分子的丰富文本和视觉数据与GNNs的结构分析能力，显著提高了分子性质预测的准确性和效率。

Jun, 2024