deoxyribonucleic acid
PulseAugur coverage of deoxyribonucleic acid — every cluster mentioning deoxyribonucleic acid across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
法医 DNA 分析可以解析复杂的混合物，不受随机污染的干扰
法医对 DNA 混合物的分析比简单地找到最常见的 DNA 图谱更为复杂。STRmix 等现代技术可以解析来自多个个体的 DNA，即使在复杂的混合物中也是如此。调查人员关注在犯罪嫌疑人可能接触过的环境中发现的 DNA，例如把手或电子设备，而不是随机的环境污染。DNA 痕迹的质量和一致性，以及其他证据，对于刑事调查中的概率建模至关重要。
-
AI模型生成可行的病毒遗传密码
人工智能模型正在被训练来编写遗传密码，这一发展让研究人员感到既兴奋又恐惧。在一项最新研究中，AI模型被赋予任务，为可行的噬菌体（一种感染细菌的病毒）生成完整的基因组。模型产生了大约70万个潜在设计，研究人员从中挑选了285个有前景的候选设计。然后，这些设计被合成为新的DNA分子并引入大肠杆菌中，其中一些产生了比原始噬菌体更有效的可行病毒。
-
研究发现：基因AI模型存在记忆敏感DNA数据的风险
一项新的研究论文提出了一个全面的框架，用于评估基因语言模型（GLMs）中的隐私风险。研究强调，尽管GLMs在DNA序列分析方面功能强大，但它们可能会无意中记忆敏感的遗传数据，从而导致潜在的隐私泄露和不符合法规。所提出的框架整合了多种评估方法，包括基于困惑度的检测、金丝雀序列提取和成员推断，以量化不同GLM架构和训练场景下的记忆风险。
-
DNA 成为密集数据存储的潜在解决方案
研究人员正在探索使用脱氧核糖核酸（DNA）进行数据存储，旨在创建高密度、持久的内存解决方案。这种创新的方法有可能彻底改变未来大量数据的归档和访问方式。
-
人工智能从头开始设计新型病毒，引发双重用途担忧
人工智能通过对 DNA 序列进行训练，已经展示了其从头设计新型病毒的能力。虽然这些新设计的病毒对人类没有威胁，但它们有可能被用于医学进步，或者相反，被用作生物武器。这一发展还延伸到创造更复杂的人工智能设计的生命形式。
-
AI创造新型病毒；专家警告不要滥用AI进行求职
据报道，一个经过DNA序列训练的AI模型创造了16种自然界不存在的新型病毒。另外，专家正就求职者在申请中使用特定AI应用提出警告，担心某些用法可能对其前景不利。
-
新AI讨论聚焦DNA证据伪造风险
关于DNA证据可在45分钟内被伪造的新担忧已经出现。这一发展对依赖DNA的生物识别认证方法的可靠性提出了质疑。这种漏洞的影响正在2026年8月4日的讨论中被探讨。
-
AI模型将DNA折叠成定制形状以用于医疗应用
一个新开发的生成式AI模型可以将DNA根据用户设计折叠成定制形状。这些复杂的DNA结构在设计免疫疗法和先进的药物递送系统方面具有应用潜力。IEEE Spectrum强调了这项技术，展示了其在生物工程领域的创新方法。
-
机器学习可准确分类复杂的链拓扑结构
研究人员开发了一种机器学习方法，用于分类复杂的链拓扑结构，这在聚合物熔体、DNA和蛋白质等领域具有相关性。一个在“缠绕密度矩阵”上训练的前馈神经网络在对前六个素链进行分类时达到了97%的准确率。该方法在不同温度和组件长度下保持高准确率，尽管在高斯噪声添加下准确率会下降，这表明矩阵特征对拓扑结构敏感。研究表明，在传统计算方法成本过高的情况下，机器学习是快速分类复杂链拓扑结构的可行工具。
-
新的多模态模型MKB统一科学领域，助力AI驱动的发现
研究人员推出Monkey King Bang (MKB)，这是一种新颖的多模态基础模型，旨在跨不同领域进行科学发现。MKB采用共享的Transformer骨干网络，并为DNA、RNA、蛋白质、小分子、地球科学和医学图像等不同科学输入配备了专门的组件。该模型支持生物序列和气象场等原生输出，展示了其跨学科的理解和生成能力。实验表明，MKB在科学基准测试中取得了有竞争力的性能，同时保留了通用语言能力。
-
AI设计DNA序列以实现定制分子折叠
人工智能现在能够设计DNA序列，使其能够折叠成特定的、所需的形状。这项进步使得通过人工智能驱动的设计创造复杂的分子结构成为可能。
-
ASWF机器学习工作组负责DNA和RMTC项目
ASWF的机器学习工作组正在负责多个项目，包括Dailies Notes Tracker (DNA)和Rongotai Model Train Club (RMTC)。这些项目由Walt Disney Studios的Cameron Target和Sony Pictures Imageworks的Juan Buhler等人介绍。该工作组还举办技术讲座，Sony Pictures Imageworks的Cottalango Leon也做出了贡献。
-
新的DNA方法可高精度溯源生成图像
研究人员开发了一种名为双阶段原生归因（DNA）的新方法，用于溯源生成图像的来源，特别是在相似模型家族中。该方法利用了潜在生成模型的层次结构，使用VAE层面的线索进行广泛的家族筛选，并使用骨干层面的线索进行特定变体的归因。DNA在无需额外训练或模型修改的情况下实现了高精度，其性能显著优于现有方法。
-
自然语言处理技术应用于生物序列分析的回顾
一篇最新的综述文章探讨了自然语言处理（NLP）技术在分析基因组学、转录组学和蛋白质组学等生物序列数据中的应用。文章详细介绍了从word2vec到先进的transformer和hyena operator模型等各种NLP方法如何应用于DNA、RNA和蛋白质序列分析。文章还讨论了分词策略、模型架构以及在预测蛋白质结构、基因表达和进化关系方面的最新进展。文章强调，将NLP整合到生物信息学中是理解复杂生物过程的一个有前景的方向。
-
深度学习推动精液分析在男性不育症诊断中的进展 · 跟踪3个来源
一篇发表在arXiv上的综述论文详细介绍了深度学习和计算机视觉技术在精液分析中诊断男性不育症的应用。该论文综合了当前AI驱动的精子检测、计数、活力评估和形态分类方法。它还讨论了临床转化中的挑战，如数据稀缺和领域转移，并提出了将这些AI工具整合到临床实践中的路线图。
-
新的几何因果模型利用对称性进行数据推断
研究人员开发了几何因果模型（GCMs），这是一个从非独立同分布的结构化数据中进行因果推断的新框架。该方法利用数据中潜在的对称性（通过群论形式化）来实现因果识别和估计。该框架结合了几何深度学习和贝叶斯推断，并已应用于构建一个满足DNA对称性的因果模型，为遗传变异效应提供了新的估计器。
-
通过将数据编码到DNA中来增强AI上下文窗口
一篇Reddit帖子提出了一种通过将信息编码到DNA中来大幅增加AI上下文窗口大小的新颖方法。该技术建议将上下文转录为DNA碱基（ATCG），然后使用酶合成技术将这些信息直接写入DNA。作者强调，DNA巨大的数据存储能力，每克可容纳215 PB，理论上可以将上下文容量增加数百万倍，并质疑为何之前没有考虑过这种方法。
-
AI模型的角色采纳：输出变化 vs. 内部信念转变
研究人员调查了语言模型在角色扮演时是真正内化了角色，还是仅仅改变了输出。他们通过提示、上下文学习、监督微调和开放式角色训练来诱导角色，并通过真实性探测和行为测试来衡量内化程度。研究发现，提示、上下文学习和监督微调主要改变了模型的输出，代表性变化很小。然而，涌现式错位（Emergent Misalignment）对模型的真实性表征产生了显著改变，而开放式角色训练则显示出中间效果，尤其是在较大的模型中。
-
新的“Proto”语言简化了人工智能驱动的生成生物学设计
Proto是一种专为生成生物学设计的新型领域特定编程语言，它使科学家能够通过指定目标和规则来定义生物系统，而不是选择静态部分。这种方法允许AI模型自主设计复杂的生物系统，例如定制的DNA或蛋白质序列，通过协调各种专门的AI模型来完成诸如蛋白质折叠预测和序列生成等任务。该系统旨在通过减少所需的物理实验室实验次数来显著加速药物发现和个性化医疗。
-
研究论文质疑LLM在基因组学任务上的预训练成本
一篇新的研究论文评估了预训练大型语言模型（LLM）在基因组学任务上的有效性。该研究质疑了像DNABERT2这样的基于Transformer模型的显著计算成本是否能通过优于ConvNova等传统卷积模型的性能提升来证明其合理性。它还考察了预训练的贡献以及字节对编码（BPE）分词对DNA序列表示的影响。