AlphaFold2
PulseAugur coverage of AlphaFold2 — every cluster mentioning AlphaFold2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的无训练方法可从小型比对生成新颖的蛋白质序列
研究人员开发了一种名为随机注意力（SA）的新型无训练方法，用于从小型比对家族生成蛋白质序列。与需要大量数据的传统深度学习模型不同，SA利用Hopfield能量模型和Langevin动力学进行采样，无需GPU或预训练。该方法在各种蛋白质家族中都取得了成功，生成的序列具有低组成发散度、新颖性和结构合理性，优于现有的Profile HMM和MSA Transformer等方法。SA能够从种子比对自动运行，并获得独立语言模型的有利评分，使其成…
-
BioHub发布ESMFold 2，以规模化Transformer模型挑战AlphaFold
BioHub发布了ESMFold 2，这是一个用于蛋白质生物学的开放科学引擎，利用在海量蛋白质序列数据上训练的Transformer模型。该新模型在预测蛋白质相互作用方面，尤其是在抗体方面，展现了最先进的性能，并在癌症和免疫学研究中显示出希望。ESMFold 2的方法依赖于规模法则和无监督学习，而不是像AlphaFold这样的模型所使用的传统多序列比对，这预示着蛋白质结构预测方法论的潜在转变。
-
AI帮助科学家改造细菌，使其仅靠19种氨基酸生存
研究人员利用AI研究生命的基本构成单元，特别是蛋白质。通过采用AI指导的蛋白质设计，科学家们改造出一种大肠杆菌菌株，使其能够以减少的19种氨基酸（而非通常的20种）生存。该实验表明，核糖体等基本生物机器可以容忍简化，可能为早期生命的化学提供见解。
-
揭示AlphaFold在概率运动学中的概率根源
一篇新论文通过将其底层机制与概率运动学（PK）联系起来，重新解读了开创性蛋白质结构预测模型AlphaFold的成功。作者们证明，AlphaFold的学习势能函数可以被理解为一个广义贝叶斯模型，为其有效性提供了更深层次的概率解释。该框架不仅阐明了AlphaFold的原理，还为设计未来深度生成AI中的概率模型提供了新途径。
-
Google DeepMind 科学家因 AI 驱动的蛋白质发现荣获诺贝尔奖
Google DeepMind 的 Demis Hassabis 和 John Jumper，以及华盛顿大学的 David Baker，因其在预测和设计新型蛋白质方面的工作获得了诺贝尔化学奖。他们的机器学习模型 AlphaFold2 在这一突破中发挥了重要作用，能够预测数百万种蛋白质的结构。这一成就实现了 50 年的科学梦想，并凸显了人工智能在科学发现中的变革潜力，将理论愿景变为切实的、获奖的现实。