ribonucleic acid
PulseAugur coverage of ribonucleic acid — every cluster mentioning ribonucleic acid across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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模型RNAbpFlow预测RNA结构；存储公司被起诉；韩国进行投资
科学家们开发了一个名为RNAbpFlow的AI模型，该模型能够以更少的数据准确预测RNA的三维结构。该模型的表现与DeepMind的AlphaFold 3相当，并可能加速RNA靶向药物的开发。此外，新闻报道指出，三家主要存储公司因涉嫌价格操纵而面临诉讼，韩国正启动一项大规模投资计划，Hello Mobility正在处理客户的高额票价问题。另外，Codex的首款硬件已公布。
-
新的scBench-Long基准测试用于评估AI在复杂的单细胞生物学分析中的能力
研究人员推出了scBench-Long，这是一个旨在评估AI代理在复杂、多步骤单细胞生物学分析中能力的新基准测试。与之前侧重于广泛知识或局部任务的基准测试不同，scBench-Long要求代理从原始数据中推导出科学结论，而无需预定义的方法。该基准测试包括21项多样化评估，例如分析黑色素瘤细胞反应性和COVID-19病理学，表现最佳的模型在1,068条轨迹上的成功率仅为25.4%。
-
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领袖敦促国会强制执行DNA订单筛查
包括OpenAI的Sam Altman和Anthropic的Dario Amodei在内的多位AI高管签署了一封公开信，致函美国国会，倡导对合成DNA和RNA订单进行强制性筛查。他们警告称，AI的进步可能很快使恶意行为者更容易开发生物武器。信中强调了普遍筛查措施的必要性，因为目前的自愿措施不足以应对风险。这一监管呼吁预示着在AI和生物技术交叉领域运营的公司可能面临新的合规要求。
-
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。
-
Google Research 发布 NucleoBench 和 AdaBeam，用于 AI 驱动的核酸设计
Google Research 与 Move37 Labs 合作推出了 NucleoBench，这是一个用于评估核酸序列设计算法的新型开源基准。该基准涉及 16 个生物学挑战的超过 400,000 次实验，旨在标准化用于药物发现的 AI 模型的评估流程。该研究还发布了 AdaBeam，这是一种新颖的混合设计算法，在 16 项任务中的 11 项上表现优于现有方法，尤其是在扩展长序列和大型预测模型方面。
-
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。