protein
PulseAugur coverage of protein — every cluster mentioning protein across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
针对分子任务优化的离散扩散模型
研究人员探索了用于分子优化的离散扩散模型的设计空间，重点是如何在有限的预言机预算下适应预训练的生成模型。他们在各种分子和蛋白质任务上的研究表明，采集、奖励塑造和模型去偏对小型分子具有互补的优势。纳入回放和有效性惩罚可以进一步稳定学习，并在有效分子流形内保持探索。这种结合了采集、奖励塑造、去偏、回放和有效性控制的在线微调方法，在预言机调用和计算资源受限的情况下，表现优于离线微调和推理时搜索方法。
-
新的攻击揭示了图神经网络的重大隐私风险
研究人员开发了两种新的生成式重建攻击：图标签条件（GLC）攻击和嵌入标签条件（ELC）攻击，以探测图神经网络（GNNs）的隐私漏洞。这些攻击利用目标模型的预测和中间表示来重建敏感的图数据，表明攻击者可以在黑盒场景下生成高质量的图。该研究还引入了一种查询要求较低但性能依然强劲的变体，突显了GNNs在各种噪声尺度下都容易遭受隐私泄露。
-
新的Python生态系统标准化生物分子序列模型
一个名为MultiMolecule的新开源Python生态系统已被开发出来，用于标准化和促进生物分子序列模型的可重用性。它提供了一个模块化框架来处理RNA、DNA和蛋白质序列模型，确保检查点保留其执行上下文。该生态系统包括标准化的组件、精选的数据集和预测管道，允许用户检查模型行为，将其适应新的分析方法，并部署具有可追溯来源的生物预测。
-
研究发现，训练后阶段对生物推理模型有关键塑造作用
一项新研究调查了不同的训练后阶段如何影响生物推理模型的性能和泛化能力。研究人员在基因组学、转录组学和蛋白质领域训练了100多个模型，改变了持续预训练（CPT）、监督微调（SFT）和强化学习（RL）等参数。研究结果表明，每个训练阶段都对泛化能力产生独特影响：CPT使模型适应生物语言，SFT在牺牲领域外泛化能力的同时提高了领域内性能，而RL应用于强大的SFT检查点时则能提高领域外能力。
-
训练后阶段对生物推理模型的泛化能力至关重要
一项对100多个生物推理模型的新研究表明，训练后阶段对模型的泛化能力有显著影响。持续的预训练使模型与生物语言保持一致，而监督微调则以牺牲领域外泛化能力为代价来提升领域内性能。强化学习可以恢复这种领域外性能，这表明训练阶段的组合，而不仅仅是更多的计算量，是有效生物推理的关键。
-
AI模型DeepRHP助力设计模拟蛋白质的异聚物
研究人员开发了DeepRHP，这是一种混合变分自编码器，旨在帮助创建能够模拟蛋白质功能的合成随机异聚物。该模型使用半监督框架，在其潜在空间中同时纳入化学特征和序列模式。DeepRHP的有效性通过成功预测稳定膜蛋白的单体组成得到证明，预测结果已通过现有研究得到验证。
-
New DeCAF framework speeds up biomolecular structure generation
研究人员开发了一个名为 DeCAF 的新框架，以加速生成 3D 生物分子结构的过程。该方法将现有的全原子共折叠模型提炼成更有效的流图，显著降低了计算成本和推理时间。与之前的基于扩散的模型相比，DeCAF 在预测蛋白质-配体姿态方面表现出更高的准确性和物理有效性，同时使用的计算步骤更少。
-
工程化纳米抗体照亮细胞过程
研究人员开发了一种使用纳米抗体（较小的抗体片段）来可视化活细胞内过程的新方法。这些特制的纳米抗体带有荧光标签，可以在细胞内保持稳定和功能，克服了传统抗体的局限性。这一进展使科学家能够在各种生物环境中，包括活体动物中，实时观察细胞活动、疾病进展和分子事件，从而提供比以往更全面的理解。
-
传统机器学习和深度学习在蛋白质结构分类中表现持平
一项新的arXiv研究使用动态图表示，对比了用于蛋白质结构分类的传统机器学习（ML）和深度学习（DL）。研究发现，对于大多数数据集，传统ML和DL在准确性方面表现相似，而DL速度显著较慢。这项工作首次在动态蛋白质结构网络的背景下，针对此特定任务直接评估了这两种方法。
-
AI 绘制 11 亿个蛋白质图谱，加速药物发现
人工智能已被用于绘制超过 11 亿个蛋白质图谱，为生物学研究和药物发现创建了一个全面的资源。预计这一庞大的数据集将加速科学理解和新药物的开发。该项目凸显了人工智能在推进复杂科学领域日益增长的影响力。
-
新AI模型生成可与蛋白质相互作用的功能性RNA序列
研究人员开发了Moirain，一套用于生成可与特定蛋白质相互作用的RNA序列的新模型。该方法使用多模态监督微调和直接偏好优化，基于RNA语料库的大规模预训练。Moirain旨在通过根据蛋白质结构和序列特征条件化生成，并使用合成相互作用数据进行模型精炼以增强结合亲和力，来提高功能性RNA设计的成功率。
-
EPFL AI生成完整的蛋白质模型及其动力学
EPFL的研究人员开发了一种能够生成完整蛋白质全原子模型的神经网络。这种由AI驱动的方法还能捕捉对蛋白质功能至关重要的动态运动，显著简化了以前复杂的生物过程。该方法旨在通过提供更全面、简化的建模技术来克服生物研究中的主要障碍。
-
深度学习革新单细胞测序，推动生物学发现
深度学习技术在推动单细胞测序（sc-seq）技术方面发挥着至关重要的作用，这些技术能够对单个细胞进行详细分析。sc-seq 方法被认为是生物学研究的重大进展，它使科学家能够通过在单细胞层面检查 DNA 和 RNA 来理解细胞异质性。将深度学习整合到 sc-seq 数据分析中，为解读细胞内复杂的遗传信息以及理解生物功能和疾病提供了强大的工具。