Boltz-2: Towards Accurate and Efficient Binding Affinity Prediction
PulseAugur coverage of Boltz-2: Towards Accurate and Efficient Binding Affinity Prediction — every cluster mentioning Boltz-2: Towards Accurate and Efficient Binding Affinity Prediction across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PIT-GCL框架利用拓扑学进行蛋白质相互作用预测
研究人员开发了PIT-GCL，一个利用拓扑图对比学习预测蛋白质相互作用的新框架。该双塔系统使用序列嵌入、几何数据和持久同调描述符独立编码蛋白质。通过将这些元素与结构感知Transformer和用于潜在空间对接的交叉注意力模块相结合，PIT-GCL旨在提高结合预测的准确性。该方法在各种基准测试中表现出潜力，优于现有方法，特别是由于其预计算蛋白质表示的能力，适用于大规模筛选。
-
新方法确保生物分子结构预测的物理有效性
研究人员开发了一种新颖的方法，以提高AlphaFold 3等扩散模型预测的生物分子结构的物理有效性。该方法引入了两个在推理时应用的投影算子，以纠正链重叠、键长失真和立体中心不正确等问题。这些算子无需重新训练原始模型，已被证明可以在多个基准测试中恢复完美的物理有效性，同时保持结构准确性和配体放置。该技术为提高全原子结构预测的可靠性提供了一种实用的、模型无关的解决方案。
-
NVIDIA BioNeMo 推理运行时加速蛋白质结构预测
NVIDIA 推出了 BioNeMo 推理运行时 (BioIR)，这是一个旨在加速 NVIDIA GPU 上生物分子结构预测模型的 Python 库。BioIR 优化了 Pairformer 和 Evoformer 等模型中的特定操作，并利用 CUDA Graph 捕获进行模块优化，以及使用 Ray 进行流水线扩展。该运行时已被用于扩展 AlphaFold 数据库，为数百万个高置信度蛋白质结构预测的发布做出了贡献。基准测试显示，与标准…
-
英伟达 BioNeMo 与 Claude Science 合作，实现人工智能驱动的蛋白质预测
英伟达推出了一个整合其 BioNeMo 平台和 Claude Science 的新工作流程，旨在改进蛋白质结构预测。该系统利用代理人工智能来协调多个蛋白质折叠模型，以防止因科学输入薄弱而导致的失败。该工作流程通过在移除多序列比对等关键数据时显示置信度分数显著下降，从而证明了其有效性，确保了更可靠的研究成果。
-
AI 框架 DBMol 使用结构预测模型设计药物分子
研究人员开发了 DBMol，一个用于设计与特定蛋白质靶点具有高亲和力的小分子的新颖框架，这是药物发现中的关键一步。该方法利用 AlphaFold 3 和 Boltz-2 等先进的结构预测模型来指导设计过程。DBMol 采用交替优化和投影技术，其中初始分子通过基于梯度的优化进行精炼以增强相互作用和预测的结合亲和力，然后由流匹配模型生成化学上有效分子。
-
NVIDIA BioNeMo Agent Toolkit 为生命科学研究中的 AI 代理提供支持
NVIDIA 推出了 BioNeMo Agent Toolkit，旨在将其加速 AI 功能集成到生命科学研究工作流程中。该工具包允许 AI 代理（例如 Anthropic 的 Claude Science 平台中使用的代理）访问和利用专门的 NVIDIA 模型和微服务，以完成药物发现和蛋白质分析等任务。此次集成旨在简化复杂的科学流程，使研究人员能够使用自然语言来编排端到端工作流程并加速计算任务。
-
PairSAE方法增强了蛋白质共折叠模型的可解释性
研究人员开发了PairSAE，一种在蛋白质共折叠基础模型中实现机制可解释性的新方法。与难以处理成对表示的二次特征爆炸的标准稀疏自编码器不同，PairSAE使用N模SVD总结这些张量，以识别token级别的交互作用。这种方法能够学习共享的token级别特征，这些特征可以解码为序列和对表示，从而更清晰地了解模型对结构生物学概念的理解。