ProteinMPNN
PulseAugur coverage of ProteinMPNN — every cluster mentioning ProteinMPNN across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Google DeepMind 发布 SynthID Bio 用于 AI 生成蛋白质的水印
Google DeepMind 推出了 SynthID Bio，一项专为合成生物学应用设计的新型水印技术。该系统将一个不易察觉的签名直接嵌入到 AI 生成蛋白质的生物代码中，确保水印可以在合成的、物理的蛋白质本身上进行验证，而不会损害其生物功能。SynthID Bio 根据数据类型调整其水印方法，指导序列的氨基酸选择，并调整 3D 结构的原子坐标，已在 VEGF-A 和 SARS-CoV-2 刺突蛋白等蛋白质上成功进行了实验室测试。
-
杭州AI团队推出Lévin™ Harness，实现蛋白质设计的集成
杭州人工智能公司李文研究所（Liwen Institute）推出了Lévin™ Harness，这是一个基于Agent的平台，旨在简化科学AI工作流程，特别是在蛋白质设计领域。该平台将数据、模型、工具和计算资源整合到一个统一的工作空间中，使研究人员能够定义目标，并由Agent管理计算过程、结果分析和迭代调整。通过插件系统连接各种科学模型和工具，并支持工作流程创建，Lévin™ Harness旨在缩短从科学理念到实际结果的路径，并促进持…
-
新的ZetaDial方法精确控制蛋白质结合物的电荷以用于药物开发
研究人员开发了ZetaDial，一种在治疗开发推理阶段控制蛋白质结合物净电荷的新颖方法。该技术将后采样割线控制器与ProteinMPNN管道集成，与现有方法相比，提供了更精确的蛋白质电荷调整方式。ZetaDial在基准数据集上显示电荷预测的平均绝对误差显著降低，但也表明较大的电荷调整可能会影响蛋白质的可折叠性和设计成功率。
-
新基准ABLE评估用于蛋白质设计任务的大型语言模型（LLM）代理
一个名为ABLE的新基准已被开发出来，用于评估大型语言模型（LLM）代理在使用生物AI模型进行蛋白质设计任务方面的能力。该基准评估了结构检索、序列生成和设计验证方面的性能。在评估的15个前沿模型中，有7个拒绝了所有任务，而其他模型则表现出显著的性能差异。Claude Sonnet 4和Gemini 3 Pro在信息检索、工具选择和工具使用方面得分最高，这表明虽然大型语言模型（LLM）可以降低蛋白质设计的门槛，但它们在规划以及将生物知识…
-
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、…
-
RosettaSearch 使用 LLM 优化蛋白质序列设计，保真度提高高达 68%
研究人员开发了 RosettaSearch，一种新颖的方法，它使用大型语言模型作为蛋白质序列设计的生成优化器。该方法将 LLM 集成到搜索算法中，该算法利用来自 RosettaFold3 等结构预测模型的奖励来探索和优化蛋白质序列。在评估中，与现有方法相比，RosettaSearch 在结构保真度和设计成功率方面均有显著提高，证明了其在不同 LLM 系列和蛋白质结构上的有效性。
-
AI帮助科学家改造细菌，使其仅靠19种氨基酸生存
研究人员利用AI研究生命的基本构成单元，特别是蛋白质。通过采用AI指导的蛋白质设计，科学家们改造出一种大肠杆菌菌株，使其能够以减少的19种氨基酸（而非通常的20种）生存。该实验表明，核糖体等基本生物机器可以容忍简化，可能为早期生命的化学提供见解。