genome
PulseAugur coverage of genome — every cluster mentioning genome across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Google DeepMind 创建人工智能生成的基因变异图谱 · 跟踪 4 个来源
Google DeepMind 开发了一个由人工智能生成的基因变异图谱，旨在加速生物学研究。该图谱旨在帮助科学家理解和预测基因突变的影响，从而可能加速新疗法的发现。该项目利用先进的人工智能技术分析海量的基因组数据。
-
研究发现上下文学习跨越多种AI模态涌现
一篇新研究论文提出了汇聚式涌现假说，认为在大型语言模型中观察到的少样本上下文学习（ICL）能力可能广泛地出现在不同的数据模态中。该研究开发了一个框架来测试这一假说，将任务应用于六种模态：语言、基因组、整数序列、时间序列、图像和蛋白质。结果表明，ICL出现在这些模态中，并且在大多数模态中显示出相关的难度剖面，在某些领域支持了该假说。
-
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。
-
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。
-
AI 在解释人类进化等复杂生物学过程方面面临挑战
《Quanta Magazine》的撰稿人 Philip Ball 强调，理解人类进化等复杂的生物学过程是一项持续的科学探索。他指出，许多关键机制仍未得到解释，这归因于塑造我们基因组的四亿年进化史。Ball 认为，人类基因组复杂的物理结构可能会给人工智能带来挑战。