Exploring Latent Space for Generating Peptide Analogs Using Protein Language Models

本文旨在生成具有所需性质的肽类，对于药物发现和生物技术至关重要。传统的基于序列和结构的方法通常需要大量数据集，这限制了它们的有效性。在本研究中，我们提出了一种新颖的方法，利用自编码器模型探索蛋白质嵌入空间，并通过利用蛋白质语言模型生成新的肽类类似物。所提出的方法仅需要一个感兴趣的序列，避免了对大型数据集的需求。我们的结果表明，在肽结构、描述符和生物活性的相似性指标方面，与基线模型相比，所提出的方法有显著的改进。通过对TIGIT抑制剂进行分子动力学模拟验证，表明我们的方法产生了具有相似但不同性质的肽类类似物，突显了它增强肽筛选过程的潜力。

本文旨在提出一种新的方法，利用自编码器模型探索蛋白质嵌入空间，通过利用蛋白质语言模型生成新的肽类类似物，解决了传统方法需要大量数据集的问题。

本文提出的方法利用自编码器模型探索蛋白质嵌入空间，生成与给定序列类似但具有独特性质的肽类类似物，避免了传统方法需要大量数据集的问题。

本文的实验结果表明，与基线模型相比，本文提出的方法在肽结构、描述符和生物活性的相似性指标上有显着改进。本文还通过分子动力学模拟验证了方法的有效性，并展示了其在TIGIT抑制剂中生成具有相似但不同特性的肽类类似物的潜力。

近期的相关研究包括：1. 'Deep learning for de novo drug design'；2. 'A deep learning approach to antibiotic discovery'；3. 'Deep generative models in cheminformatics'。