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arXiv综述详细介绍了蛋白质结构预测的演变
一篇新发表在arXiv上的综述文章详细介绍了蛋白质结构预测方法的演变。文章将进展分为四个阶段，重点介绍了从早期的进化耦合特征到AlphaFold2和ESMFold等模型中的学习序列表示的关键转变。该论文还追溯了从单体折叠到使用AlphaFold-Multimer和AlphaFold3等模型对复杂分子系统进行建模的转变，最后，转向了以RFdiffusion为例的设计导向型生成模型。
-
JAXBench 推出以优化 Google TPU 上的 AI 内核
一个名为 JAXBench 的新基准测试套件已被开发出来，专门用于解决 Google Cloud TPU 上 AI 内核性能的优化问题。该套件包含 50 个 JAX 工作负载，这些工作负载源自 Llama-3.1、DeepSeek-V3 和 Gemini 3 Flash 等知名 AI 模型。初步评估表明，提供精选的 TPU 文档可显著提高 AI 生成内核的正确性，将其从 5.8% 提高到 37.3%，并实现了比 XLA 快 1.6 倍的速度。
-
AlphaFold2权重揭示隐藏的蛋白质折叠景观，研究发现
一项新研究提出，AlphaFold2（一种蛋白质结构预测模型）中的参数不仅能将序列转换为结构，还能编码复杂的蛋白质构象景观。研究人员发现，通过一种称为神经光谱学的技术分析这些参数，可以揭示这些隐藏的组织结构。这种非显式训练目标的涌现特性表明，AlphaFold2的权重包含了超越静态结构预测的结构约束，可能为药物设计提供新途径。
-
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。