1. 本案透過生成對抗網路模型，設計全新具抗菌能力之胜肽，再以人工智慧加以鑑別有效且低毒性之候選胜來進行合成與實地驗證，加速全新抗菌肽的設計與開發流程。
2. 利用AI來作為胜肽的治療篩選平台及篩選出抗細菌的胜肽，效果和目前的抗生素接近而副作用更少。
3. 尋找 powerful antimicrobial peptide是全世界關注之議題，研究者具有海量資料可供運算，可加速前期開發期程並降低所需的費用。

1. 自2021年底本研究第一篇相關論文刊出，統計後續相關論文產出，三年內這四篇論文已累積共86篇文章引用。目前正進行抗黴肽與細胞毒性預測平臺的投稿，希望能更增加國際曝光度，並推廣此一成果給更多的研究社群使用。 2. 在序列生成部分，除了先前本團隊所研發的GAN模型外，也引入Evo-Diff以演化策略，藉由保守序列為基礎，來快速且大量地生成與自然界所創造相近的候選序列，加速後續功能性勝肽的找尋與鑑別。 3. 在抗菌肽效果實證部分，透過螢光共軛顯微鏡發現，所合成的抗菌肽能附著於E. coli、P. aeruginosa、CRAP、MRSA及S. aureus等菌體表面。同時利用高解析度掃描電子顯微鏡 (High resolution scanning electron microscopy, HRSEM)也顯示，特定的抗菌肽可以在上述的菌體表面產生皺摺與破壞，甚至造成菌體的瓦解。透過soft x-ray tomography觀察大腸桿菌的細胞膜，經過所合成的抗菌肽處理後，發現細胞膜產生不連續面，以及細菌橫切面出現空洞，顯示了菌體表面被破壞進而造成內部物質外洩。 4. 在抗病毒肽部分，除了訓練資料集的更新外，也對模型進行優化，以四個CNN區塊結合後續的pooling及Fully connected layers，將整個準確率由84%提升到90%，其機器學習中的二元分類模型性能的指標(Matthew's Correlation Coefficient, MCC，最大值為1)也由0.68上昇至0.8。此外，也以此一抗病毒預測模型為基礎，利用抗流感病毒勝肽與非流感病毒勝肽，透過遷移式學習的方式，建構優化的抗流感勝肽的預測模型，目前準確率達88%，其MCC也達0.77，將進一步與UCLA團隊合作，進行驗證。 5. 在溶血預測部分，我們建構了第一個結合施用濃度與勝肽序列的模型，預測準確率達八成左右。目前也將此一模型建立線上網站，並也整合到功能性勝肽預測平臺中。 6. 本研究相關產出程式碼與資料集，大多已在Github上可以找到。並提供說明檔與測試檔案供使用者進行驗證，減少使用上的資訊技術屏障。