GPT wyszkolony na 863 000 sekwencji zamiast 7 000 - o 120x więcej danych do projektowania antybiotyków peptydowych. 🧬
Autorzy (Polloni i in.) wykorzystali transfer learning: najpierw wstępnie trenowali model GPT na genomicznej bazie AMPSphere, potem dostrajali na małym zbiorze syntetycznych peptydów. Efekt? Model generuje zupełnie nowe, liniowe peptydy przeciwdrobnoustrojowe, wykraczające poza znane biblioteki.
To może przyspieszyć odkrywanie nowych antybiotyków w erze oporności - bez konieczności syntezy tysięcy kandydatów. (preprint, oczekuje recenzji)
https://www.biorxiv.org/content/10.64898/2026.06.16.732639
Autorzy (Polloni i in.) wykorzystali transfer learning: najpierw wstępnie trenowali model GPT na genomicznej bazie AMPSphere, potem dostrajali na małym zbiorze syntetycznych peptydów. Efekt? Model generuje zupełnie nowe, liniowe peptydy przeciwdrobnoustrojowe, wykraczające poza znane biblioteki.
To może przyspieszyć odkrywanie nowych antybiotyków w erze oporności - bez konieczności syntezy tysięcy kandydatów. (preprint, oczekuje recenzji)
https://www.biorxiv.org/content/10.64898/2026.06.16.732639





