PulseAugur
中
实时 05:54:22
English(EN) RosettaSearch: Multi-Objective Inference-Time Search for Protein Sequence Design

RosettaSearch 使用 LLM 优化蛋白质序列设计，保真度提高高达 68%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 RosettaSearch，一种新颖的方法，它使用大型语言模型作为蛋白质序列设计的生成优化器。该方法将 LLM 集成到搜索算法中，该算法利用来自 RosettaFold3 等结构预测模型的奖励来探索和优化蛋白质序列。在评估中，与现有方法相比，RosettaSearch 在结构保真度和设计成功率方面均有显著提高，证明了其在不同 LLM 系列和蛋白质结构上的有效性。 AI

影响 引入了一种新的由 LLM 驱动的蛋白质设计优化技术，有望加速药物发现和材料科学。

排序理由 这是一篇研究论文，详细介绍了使用 LLM 进行蛋白质序列设计的新方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

RosettaSearch 使用 LLM 优化蛋白质序列设计，保真度提高高达 68%

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Meghana Kshirsagar, Allen Nie, Ching-An Cheng, Fanglei Xue, Rahul Dodhia, Juan Lavista Ferres, Kevin K. Yang, Frank DiMaio ·

    RosettaSearch：蛋白质序列设计的多种目标推理时搜索

    arXiv:2604.17175v2 Announce Type: replace-cross Abstract: We introduce RosettaSearch, an inference-time multi-objective optimization approach for backbone conditioned protein sequence design. We use large language models (LLMs) as a generative optimizer within a search algorithm …

相关实体

相关话题