Evolutionary Structure Modeling
PulseAugur coverage of Evolutionary Structure Modeling — every cluster mentioning Evolutionary Structure Modeling across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
OpenESM架构在大规模语言建模中优于GPTs
研究人员推出了一种新颖的大规模语言建模架构OpenESM，该架构将能量引导与令牌生成相结合。该方法在生成令牌之前，在能量景观上优化潜在状态，旨在改进生成过程。OpenESM在海量数据集上进行了预训练，展示了良好的可扩展性，并在26项评估的下游任务中的大多数任务上优于传统的生成式预训练变换器（GPTs）。研究人员已发布模型权重和训练基础设施，以促进进一步的研究和复现。
-
SoftGene框架使用蛋白质语言模型进行基因集注释
研究人员开发了SoftGene，一个利用蛋白质语言模型和混合提示方案增强基因集注释的新框架。该方法整合了蛋白质序列信息和由本地LLM生成的辅助上下文，以提高功能基因组学分析的可解释性和准确性。在Gene Ontology和MSigDB等基准数据集上的评估表明，SoftGene结合蛋白质嵌入和文本上下文的方法在各种生物学领域都具有优势。
-
新的 PepLLM 框架提供蛋白质-肽结合界面的结构化分析
研究人员开发了 PepLLM，一个旨在分析蛋白质-肽结合界面的新框架。与之前专注于分类或预测的方法不同，PepLLM 生成结构化的、机器可读的 JSON 注释，详细说明了多种界面属性，如肽埋藏状态、氢键密度和热点残基。这是通过将 ESM 编码器与 LLaMA 解码器集成来实现的，从而能够以更具可解释性和机制感知的方式来理解这些关键的生物相互作用。
-
北大发布开源 Claude Science 替代品 OpenAI4S
北京大学和元空间 AI Agent Lab 的研究人员发布了 OpenAI4S，这是一个开源的科学研究代理，模仿了 Anthropic 的闭源 Claude Science 的能力。这个新的代理在 MIT 许可下可用，专注于“代码即行动”的方法，允许 AI 在持久环境中直接生成和执行 Python 或 R 代码。OpenAI4S 旨在将 AI 集成到完整的科研工作流程中，从数据检索和分析到报告生成，并高度重视使用真实数据和计算，避免捏造结果。
-
研究人员称AI的“惨痛教训”适用于蛋白质结构预测
Chan Zuckerberg Biohub的研究员Alex Rives在Latent Space播客上讨论了进化结构建模（ESM）。他强调，AI中的“惨痛教训”，即强调扩大模型和数据规模，也适用于蛋白质结构预测。Rives解释说，在海量生物数据集上训练的大型模型可以在理解蛋白质折叠和功能方面取得重大突破。
-
新框架AnnotateMissense预测错义变异致病性
研究人员开发了AnnotateMissense，一个用于预测错义遗传变异致病性的新框架。该系统整合了广泛的数据，包括群体频率、进化保守性和源自AlphaMissense和ESM等蛋白质语言模型的特征。针对超过13万个ClinVar标记变异的基准测试显示，使用303个特征的XGBoost模型取得了0.9411的MCC高绩效。该框架随后应用于超过9000万个变异，以生成致病性评分。
-
AMIEOD框架增强低光照场景下的目标检测
研究人员开发了AMIEOD，一个旨在增强低照度环境下目标检测能力的新型框架。该系统联合优化图像增强和目标检测任务，利用一个采用多种增强策略的多专家图像增强模块（MEIEM）。该框架还引入了一个检测引导回归损失（DGRL）和一个专家选择模块（ESM），以根据检测性能动态调整增强技术。
-
PRIME框架使用物理信息多尺度层级结构对蛋白质进行建模
研究人员开发了PRIME，一个新颖的蛋白质表示学习框架，通过将蛋白质建模为五个物理基础结构图的嵌套族来实现。该方法明确地对从原子相互作用到全局折叠拓扑结构的不同结构层级之间的层级关系进行建模。PRIME在各种蛋白质表示学习基准测试中表现强劲，在折叠分类和反应类别预测方面取得了最先进的成果。