Green fluorescent protein
PulseAugur coverage of Green fluorescent protein — every cluster mentioning Green fluorescent protein across labs, papers, and developer communities, ranked by signal.
-
新框架pCoMole实现帕累托约束的生物分子序列编辑
研究人员开发了pCoMole，一个用于编辑生物分子序列的新颖框架。该方法利用离散流匹配在遵守严格的生化和可制造性约束的同时，优化多个属性。pCoMole采用增强的Tchebycheff效用函数和Doob-h变换来指导编辑过程，并通过蒙特卡洛滚动来近似所需的谐波函数以提高效率。该框架已通过压缩绿色荧光蛋白（GFP）和Cas9直系同源物以及设计具有优化药物相关特性的短肽模拟物的实验进行了验证。
-
新AI框架利用结构数据增强蛋白质进化
研究人员开发了StructEvo，一个新颖的结构感知强化学习框架，旨在改进蛋白质定向进化。该方法通过整合空间蛋白质结构信息来解决仅基于序列的方法的局限性，而空间结构信息对于理解共进化相互作用至关重要。StructEvo利用delta-structure fusion encoder来近似突变体结构，并使用分层动作网络来管理巨大的突变空间，在基准测试中性能比现有方法提高了16%以上，并识别出绿色荧光蛋白中经过验证的表观遗传模式。
-
新的Q-BIOLAT框架使用二元编码优化蛋白质适应性景观
研究人员开发了Q-BioLat，一个用于优化蛋白质适应性景观的新框架。该方法将蛋白质语言模型嵌入映射到紧凑的二元编码，从而能够使用二次无约束二元优化（QUBO）进行搜索。该框架强调了二元编码对优化过程的影响，表明即使在预测精度相似的情况下，不同的编码也会导致不同的搜索轨迹和局部最优解。使用ProteinGym的绿色荧光蛋白（GFP）和AAV适应性数据的实验表明，Q-BioLat，特别是与主成分分析（PCA）和中值阈值相结合时，在创建可…
-
新的MIND网络使用扩散变换器增强医疗图像融合
研究人员开发了MIND，一种新颖的多模态意图驱动网络，它利用扩散变换器进行医疗图像融合。该网络通过首先使用BioMedGPT从源图像生成诊断意图文本来整合来自各种成像模态的信息。为了保持空间连续性和语义一致性，MIND采用了多尺度潜在适配器和医疗语义一致性损失。在包括Harvard、BraTS和GFP在内的数据集上的实验表明，MIND提高了融合质量，改进了下游脑肿瘤分割，并支持用于临床决策支持的交互式融合。
-
新的图算法可高精度预测荧光蛋白量子产率
研究人员开发了一种新颖的算法，该算法利用三维机理图来预测荧光蛋白的量子产率。该方法侧重于发色团及其直接环境，超越了基于序列的预测。该算法在基准数据集上取得了优越的性能，在预测与已知结构序列相似度低的蛋白质的产率方面，其表现优于ESM-C和SaProt等现有模型。