研究人员开发了 Deepeptide，一种无需针对每种适应证重新收集大量阳性肽数据的通用深度学习寡肽发现框架。通过由蛋白质语言模型 ESM-2、双向长短期记忆网络和条件随机场组成的深度学习模型，从原肽中识别可能经蛋白水解产生的 4–10 个氨基酸寡肽，并结合功能富集、溶解性、毒性和序列新颖性进行优先排序。总体而言，Deepeptide 展示了一条从疾病适应证 → 生物过程 → 分子功能 → 功能性 IDR → 深度学习寡肽提取 → 功能富集与成药性筛选 → 细胞和动物验证的完整发现路径。
研究人员开发了 Deepeptide，一种无需针对每种适应证重新收集大量阳性肽数据的通用深度学习寡肽发现框架。通过由蛋白质语言模型 ESM-2、双向长短期记忆网络和条件随机场组成的深度学习模型，从原肽中识别可能经蛋白水解产生的 4–10 个氨基酸寡肽，并结合功能富集、溶解性、毒性和序列新颖性进行优先排序。总体而言，Deepeptide 展示了一条从疾病适应证 → 生物过程 → 分子功能 → 功能性 IDR → 深度学习寡肽提取 → 功能富集与成药性筛选 → 细胞和动物验证的完整发现路径。