AlphaFold3
PulseAugur coverage of AlphaFold3 — every cluster mentioning AlphaFold3 across labs, papers, and developer communities, ranked by signal.
- 2026-06-29 research_milestone AlphaFold3 was enhanced to more realistically predict biomolecular structures and interactions by integrating experimental data. 来源
5 天有情绪数据
-
Molecule Mind推出生物研发AI操作系统
Molecule Mind的徐金波教授团队正式推出了MoleculeOS，一个专为生物研发设计的AI原生操作系统。该系统旨在将AI从单一工具转变为研发过程的全面协调者，实现更具确定性的“分子创造”，而非仅仅是预测。MoleculeOS集成了专有的AI模型，用于结构预测和分子设计等任务，有望简化工作流程，减少试错，并加速新药和生物制造工艺的开发。
-
新的TCR-SRIM模型提供可解释的表位预测
研究人员开发了TCR-SRIM，一个用于预测T细胞受体（TCR）-表位结合的新模型。该模型整合了蛋白质语言模型嵌入和可解释的接触原型，以在残基水平分析TCR-表位相互作用。TCR-SRIM在TCR-XAI基准测试中表现出最先进的性能，并提供了增强的可解释性。研究还评估了生成的蛋白质结构对模型学习的影响，发现与AlphaFold3、TCRModel2和tFold-TCR预测的结构相比，实验解析的结构提供了更准确的相互作用模式和更大的结合位点多样性。
-
新框架优化蛋白质系综生成，提高AlphaFold3准确性
研究人员开发了一个新的蛋白质系综生成优化框架，提高了AlphaFold3等模型的准确性和热力学合理性。该方法优化潜在表示以最大化系综对数似然，这比事后结构调整更有效。该方法还结合了新颖的采样方案来生成Boltzmann加权系综，平衡实验似然性与结构和力场先验。这带来了更好的多样性、物理能量和与实验数据的一致性，同时也暴露了当前蛋白质设计置信度指标的一个弱点。
-
AlphaFold3 集成实验数据以实现逼真的生物分子预测
AlphaFold3，一个新的人工智能模型，已被增强以更准确地预测生物分子的结构和相互作用。这一进展整合了实验数据，从而在生物技术领域获得更可靠的预测。改进后的模型代表了理解复杂生物系统方面的重要进步。
-
MegaFold系统提升3D注意力蛋白质模型训练效率
研究人员开发了MegaFold，一个旨在提高大规模3D注意力蛋白质模型训练效率的新系统。该方法解决了像AlphaFold3这样模型带来的显著计算和内存挑战，这些模型具有随序列长度呈立方增长的成本。MegaFold集成了内存高效内核、通信高效分片、融合算子和优化的主机-设备流水线，以提高GPU利用率。在NVIDIA H200和AMD MI250 GPU上的评估表明，MegaFold能够处理更长的序列并缩短整体执行时间。
-
新的SAE方法增强了可解释性和稳定性
研究人员在稀疏自编码器（SAE）方面取得了几项进展，以提高其可解释性和稳定性。Concept-SAE 提供了一个可控的接口，用于探测 SAE 中用户定义的概念，增强了其诊断能力。子空间感知稀疏自编码器（SASA）通过用学习到的解码器子空间替换单向量解码器来解决特征分裂问题，从而产生更连贯的特征并提高效率。此外，还提出了对齐训练和均值中心化技术来解决特征死亡和不稳定性等问题，使 SAE 成为理解深度神经网络更可靠的工具。
-
新的计算方法提升抗体-抗原复合物建模能力
研究人员开发了新的计算方法来改进抗体-抗原复合物的建模，解决了与一般蛋白质-蛋白质相互作用相比存在的性能差距。该研究探索了使用蛋白质语言模型（PLMs）进行抗体结构预测，在CDR-H3准确性方面取得了良好结果。然而，单一序列PLMs在没有共进化信号的情况下难以进行复合物预测。为克服这一问题，研究团队引入了MSA精炼和收敛感知循环技术，这些技术在无需重新训练模型的情况下，增强了AlphaFold3在抗体-抗原复合物预测方面的基线性能。
-
新的计算方法提升抗体-抗原相互作用建模能力
研究人员开发了新的计算方法，以改进抗体-抗原相互作用的建模，这是发现治疗性抗体的关键步骤。现有的蛋白质语言模型（PLMs）在预测抗体结构方面显示出潜力，但在没有共进化数据的情况下，难以处理复杂的相互作用。该研究引入了两种新技术：MSA精炼和收敛感知循环，它们在无需重新训练的情况下增强了现有模型（如AlphaFold3）的抗体-抗原复合物预测能力。
-
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。
-
AI模型在蛋白质-配体对接中优于基于物理的方法
开发了一个名为PoseX的新基准来评估蛋白质-配体对接方法，将AI方法与传统的基于物理的技术进行比较。使用PoseX进行的实验表明，在对接成功率方面，AI方法通常优于基于物理的方法。研究还发现，将AI建模与基于物理的后处理相结合，特别是在解决了AI共折叠方法中的配体手性问题后，可以显著改善结果。