ESMFold
PulseAugur coverage of ESMFold — every cluster mentioning ESMFold across labs, papers, and developer communities, ranked by signal.
-
AgentFold框架通过代码搜索自主改进蛋白质折叠模型
研究人员开发了AgentFold，一个新颖的多智能体框架，旨在通过代码修改和广泛验证来自主改进蛋白质折叠模型。该系统将模型开发视为一个闭环搜索，使智能体能够提出、实现、调试和评估代码级别的更改。AgentFold在计算预算充足的情况下，通过探索众多模型变体，显著提高了相对于基线方法的lDDT分数。
-
ProteinZero框架使用在线强化学习进行自我改进的蛋白质生成
研究人员开发了ProteinZero，一个利用在线强化学习持续改进其性能的新型蛋白质生成框架。该系统通过超越精选数据集并使目标与现实世界的设计目标保持一致，解决了当前模型的局限性。ProteinZero将ESMFold的结构指导与新的自推导ddG预测器相结合，无需昂贵的基于物理的模拟即可实现高效的多目标信号生成。该框架还包含一个嵌入层面的多样性正则化器，以防止模式崩溃并促进功能序列变异。在基准测试中，ProteinZero在可设计性、…
-
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。
-
新的 VESTIGE 策略增强了基因组 Transformer 的 DNA 重建能力
研究人员开发了 VESTIGE，一种用于基因组 Transformer 的新型微调策略，可提高其重建受损 DNA 序列的能力。与应用统一掩码的标准方法不同，VESTIGE 采用知识引导的方法，根据经验测量的腐败特征（如古 DNA 中发现的特征）来定制掩码概率。该方法显著提高了重建准确性并降低了验证交叉熵，即使在极端损坏水平下也证明了其有效性。
-
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…
-
AI蛋白质折叠模型展示收敛的两阶段折叠机制
一篇新发表在arXiv上的研究论文详细介绍了在ESMFold、OpenFold和Boltz-1等AI蛋白质折叠模型中观察到的两阶段计算结构。第一阶段根据序列数据初始化生化信号，第二阶段则开发空间特征，如距离和接触信息。研究人员证明，通过操纵这些特征，他们可以可预测地改变蛋白质结构，这表明在蛋白质折叠的不同AI架构之间，表示组织方式存在收敛性。
-
AgentPLM 集成反馈以实现高级蛋白质设计
研究人员开发了 AgentPLM，这是一种新颖的蛋白质语言模型，旨在实现更有效的蛋白质序列设计。与一次性生成序列的传统模型不同，AgentPLM 通过一种称为推理增强解码的过程整合外部生物物理反馈。这使得模型能够咨询 ESMFold 和 FoldX 等工具，并通过对比剂策略优化学习何时使用此反馈。该模型通过展示在线纠错能力，在酶和抗体设计等各种蛋白质设计任务中表现出最先进的性能。