Escherichia coli
PulseAugur coverage of Escherichia coli — every cluster mentioning Escherichia coli across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
公民科学项目扩展以填补研究资金缺口 · 跟踪1个来源
公民科学倡议正在全球范围内获得关注，作为一种克服日益缩小的科学和环境预算的方法。这些项目利用公众的参与来收集从天文学到健康等各个领域的关键数据。Zooniverse 和 World Community Grid 等平台使志愿者能够为气候变化、疾病甚至搜寻地外智能等主题的研究做出贡献。
-
Palantir在预防大肠杆菌爆发中的作用受到质疑
一篇Gizmodo文章暗示，Palantir的技术可能是防止未来大肠杆菌爆发的唯一手段，这表明该公司在公共卫生监测中扮演着关键角色。文章幽默地建议读者选择风险较低的餐饮选项，如Qdoba，这突显了对Palantir参与此类健康危机的影响或有效性的潜在担忧或怀疑。
-
新AI集成模型高精度预测抗菌素耐药性
研究人员开发了AMR-EnsembleNet，一个通过结合基于序列和基于特征的学习来预测抗菌素耐药性（AMR）的新颖框架。这个轻量级的一维 CNN-XGBoost 集成模型能够有效地从基因组数据中学习，克服了现有方法要么忽略序列上下文要么计算成本过高的问题。该模型在预测大肠杆菌菌株的耐药性方面表现出顶级性能，在环丙沙星和庆大霉素方面取得了高精度，并专注于已知的AMR基因。
-
LG C5 电视 Wi-Fi 修复：区域更改恢复 5 GHz 频段
本文详细介绍了对 LG C5 电视进行技术修改，通过更改其 webOS 区域设置来恢复 5 GHz Wi-Fi 功能。该过程涉及访问和更改设备的区域代码，这可以重新启用更高频率的 Wi-Fi 频段。文章引用了一个 GitHub 存储库，其中包含此过程所需的具体说明和工具。
-
美国消费者在FDA召回后日益避开食品类别 · 跟踪1个来源
美国食品药品监督管理局（FDA）发布的食品召回通知显著增加，导致美国消费者对食品系统的信心下降。一项最新调查显示，67%的消费者在接到一次召回通知后就避开整个食品类别，这一比例较去年显著上升。这种趋势是由沙门氏菌、未申报过敏原和异物等各种污染物召回事件激增所驱动的，引发了广泛的消费者担忧和行为改变。
-
AI代理框架使用Qwen2.5-7B改进逆合成搜索
研究人员开发了一个用于逆合成的代理式框架，逆合成是药物发现和化学合成中使用的过程。该框架利用大型语言模型，特别是Qwen2.5-7B，来选择分子前沿进行扩展。与在LASER和RetroPath RL Golden等基准测试上的蒙特卡洛树搜索相比，经过微调的Qwen2.5-7B策略显示出更高的解决率，表明路线监督的前沿选择可以在不改变潜在生化生成过程的情况下增强预算搜索。
-
Google DeepMind 的 Co-Scientist 弥合了人工智能研究与现实世界实验之间的差距
Google DeepMind 发表了一篇新论文，详细介绍了 Co-Scientist，这是一个弥合模拟研究与现实世界实验之间差距的人工智能系统。该系统在多个科学领域展示了先进的能力，包括在医学基准测试中超越六个前沿模型，并设计了新颖的材料合成路线。Co-Scientist 还准确预测了生物现象并生成了同行评审的论文，其可靠性模块减少了幻觉和抄袭的发生。
-
Gemini驱动的Co-Scientist加速现实世界科学发现
一篇新论文详细介绍了Co-Scientist，这是一个由Gemini驱动的多代理系统，旨在加速科学研究。该系统已在材料科学、生物学和计算机科学的实际应用中得到验证。在材料科学领域，它帮助设计了MXenes的前驱体路线并优化了半导体的生长配方。在生物学领域，它预测了细菌的群体感应表型；在计算机科学领域，它发现了一种在HealthBench上性能优于前沿模型并减少潜在临床危害的扩展架构。一项双盲研究表明，Co-Scientist的可靠性模…
-
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。
-
人工智能设计出功能性病毒以对抗大肠杆菌，引发安全担忧
斯坦福大学的研究人员利用人工智能设计了新型噬菌体，这是一种感染细菌的病毒。这些人工智能设计的噬菌体已在实验室环境中证明了杀死大肠杆菌的能力。虽然这项研究旨在对抗抗生素耐药性细菌，但也带来了潜在的双重用途担忧，因为该技术理论上可以被改编来制造危险的病原体。
-
AI现可设计新型、难以检测的病毒，引发生物安全警报
研究人员已证明，生成式AI可以从头开始设计功能性病毒基因组，这一能力引发了重大的生物安全担忧。斯坦福大学和Arc Institute的一个团队使用包括Radical Numerics首席执行官Eric Nguyen开发的EVO 2在内的AI模型，创建了感染细菌的新型噬菌体。虽然这些特定的病毒不会伤害人类，但其底层技术允许创建“深度伪造”病毒，这些病毒可以通过微妙地改变其遗传序列同时保持有害功能来规避检测系统。这一进展凸显了AI在合成生…
-
AI模型分析细菌基因组以获得噬菌体疗法见解
研究人员探索了大型语言模型（LLMs）分析细菌基因组和预测噬菌体疗法有效性的潜力。通过在基因组数据上训练模型，科学家们旨在了解细菌耐药机制并识别适合治疗的噬菌体。这种方法可以加速针对抗生素耐药细菌的新疗法的开发。
-
Jeff Dean 离开 Google 加入 AI 研究初创公司；斯坦福大学设计新型病毒；AMD 收购 Taalas
AI基础设施领域的知名人物 Jeff Dean 在 Google 工作 27 年后离职，共同创立了 Discovery Loop，这是一家致力于利用 AI 自动化药物发现和材料科学等领域科学研究的公共利益公司。与此同时，斯坦福大学的研究人员利用 AI 模型设计了 16 种新型病毒，尽管具有潜在的治疗应用，但引发了生物安全担忧。在硬件领域，AMD 收购了 Taalas，这是一家专注于将 AI 模型权重直接硬连线到硅芯片的初创公司，旨在克…
-
斯坦福大学AI模型EVO 2设计新型噬菌体以对抗大肠杆菌
斯坦福大学的研究人员利用其 EVO 2 AI 模型设计了能够靶向并杀死大肠杆菌的新型噬菌体。该人工智能生成了数千个潜在的噬菌体基因组，从中选择了 16 个进行实验室合成和测试。这些合成的噬菌体在大肠杆菌（包括对抗现有疗法产生耐药性的菌株）中表现出显著的疗效，凸显了人工智能在对抗抗菌素耐药性方面的潜力。
-
AI设计新型病毒靶向细菌，引发安全担忧 · 追踪8个来源
科学家们利用人工智能设计了能够靶向和杀死细菌的新型病毒，其中一项研究专注于特定的大肠杆菌菌株。虽然所创造的病毒据称对人类没有威胁，但这一进展引发了安全担忧，并引发了关于人工智能在制造生物武器方面潜在滥用的讨论。这项进展凸显了人工智能在科学研究中日益增长的能力以及伴随这些强大工具而来的伦理考量。
-
AI设计新型病毒以对抗细菌，引发生物武器担忧 · 追踪10个来源
科学家利用AI模型（特别是Evo 1和Evo 2）设计并合成了16种能够感染和消灭细菌的新型病毒。这些AI生成的病毒在基因上与自然发生的病毒不同，在实验室测试中对耐抗生素的大肠杆菌菌株显示出有效性。虽然这项研究为开发针对细菌感染的新疗法带来了希望，但它也引发了对潜在的生物武器滥用问题的严重担忧，凸显了当前生成式基因组学治理和安全协议的不足。
-
AI设计首批病毒，引发医学希望与安全担忧 · 跟踪2个来源
科学家们已成功利用人工智能设计并创造了首批病毒，这一进展有望带来新的医疗疗法，但也引发了重大的安全和安保担忧。斯坦福大学的研究人员利用基因组语言模型设计了能够在实验室测试中感染并杀死抗生素耐药性大肠杆菌的噬菌体。虽然这一突破可能彻底改变噬菌体疗法并扩展生物技术工具，但专家们强调迫切需要强有力的治理和安全协议来管理此类强大人工智能能力的潜在滥用。
-
一项新研究利用人工智能和遥感评估洪水相关的公共卫生风险
一篇新研究论文探讨了城市洪水与公共卫生风险的交叉点，提出了一种量化洪水事件期间微生物污染的新方法。该研究整合了遥感、机器学习和流体动力学-生态学模型来估算大肠杆菌浓度及其迁移。该方法旨在提供近乎实时的风险评估，尤其是在传统的现场采样不安全或不可能的情况下，并强调洪水风险评估必须考虑水携带的污染物及其对人类健康的影响。
-
FDA 调查 12 起食源性疾病爆发，包括环孢菌和沙门氏菌
美国食品药品监督管理局 (FDA) 目前正在调查 12 起持续的食源性疾病爆发，其中八起的来源仍未确定。在这些疫情中，有四起涉及环孢菌，三起涉及沙门氏菌，两起涉及大肠杆菌，两起涉及单核细胞增生李斯特氏菌，一起涉及婴儿配方奶粉中的肉毒杆菌。社交媒体上有人担心，特朗普政府时期对 FDA 和 CDC 等机构的资助削减可能与这些疫情数量的增加有关。
-
尽管单个实验室检测被撤回，疫情科学方法仍获验证
近期，与塔可钟（Taco Bell）相关的环孢子虫疫情中，美国食品药品监督管理局（FDA）一项被撤回的实验室检测引发了公众对疫情科学的困惑。然而，专家强调，单一的阴性检测结果或撤回并不否定用于食源性疫情调查的严谨、多方面方法。该过程依赖于实验室检测、受影响个体的流行病学数据以及背景信息的结合，以确定疫情源头，这种方法在历史上已成功解决了众多疫情。