ترجمه فارسی مقاله کاوش در فضای نهفته برای تولید آنالوگ های پپتید با استفاده از مدل های زبان پروتئین

چکیده

Generating peptides with desired properties is crucial for drug discovery and biotechnology. Traditional sequence-based and structure-based methods often require extensive datasets, which limits their effectiveness. In this study, we proposed a novel method that utilized autoencoder shaped models to explore the protein embedding space, and generate novel peptide analogs by leveraging protein language models. The proposed method requires only a single sequence of interest, avoiding the need for large datasets. Our results show significant improvements over baseline models in similarity indicators of peptide structures, descriptors and bioactivities. The proposed method validated through Molecular Dynamics simulations on TIGIT inhibitors, demonstrates that our method produces peptide analogs with similar yet distinct properties, highlighting its potential to enhance peptide screening processes.

چکیده به فارسی (ترجمه ماشینی)

تولید پپتیدها با خواص مورد نظر برای کشف مواد مخدر و بیوتکنولوژی بسیار مهم است.روشهای مبتنی بر توالی سنتی و مبتنی بر ساختار اغلب به مجموعه داده های گسترده ای احتیاج دارند که اثربخشی آنها را محدود می کند.در این مطالعه ، ما یک روش جدید را ارائه دادیم که از مدل های AutoEncoder شکل برای کشف فضای تعبیه شده پروتئین استفاده کرده و با استفاده از مدلهای زبان پروتئین ، آنالوگ های جدید پپتید را تولید می کند.روش پیشنهادی فقط به یک دنباله مورد علاقه واحد نیاز دارد و از نیاز به مجموعه داده های بزرگ جلوگیری می کند.نتایج ما نشان می دهد پیشرفت های قابل توجهی نسبت به مدل های پایه در شاخص های شباهت ساختارهای پپتید ، توصیف کننده ها و فعالیت های زیستی.روش پیشنهادی که از طریق شبیه سازی دینامیک مولکولی بر روی مهار کننده های TIGIT تأیید شده است ، نشان می دهد که روش ما آنالوگ های پپتیدی را با خصوصیات مشابه در عین حال مجزا تولید می کند و پتانسیل آن را برای تقویت فرآیندهای غربالگری پپتید برجسته می کند.