通过大语言模型的数据挖掘学习肽自组装的规则

本研究解决了肽自组装行为研究中缺乏系统性分析的问题。通过手动处理和大语言模型的文献挖掘，我们建立了一个包含超过1000条实验数据的肽组装数据库，并训练出高效的机器学习模型，实现了对肽自组装相的高准确率分类。这一工作有助于提高肽候选体的探索效率，为新结构的开发提供了支持，使其在传感、催化及生物材料等应用中具有潜在影响。