UniPro
PulseAugur coverage of UniPro — every cluster mentioning UniPro across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
UniPro模型统一2D和3D医学图像分割
研究人员推出UniPro，这是一种旨在统一不同数据维度下各种医学图像分割任务的新型模型。UniPro通过整合语义分割、上下文内分割和交互式分割范式，并利用传播机制实现从2D图像到3D体积的分割，从而解决了当前方法的碎片化问题。该模型利用参考条件预测，将体积传播和上下文内分割视为同一核心过程的变体。UniPro还纳入了双向和3D监督来增强传播的可靠性，在各种医学成像模态和解剖结构上均表现出强大的性能。
-
新方法利用知识图谱来约束大型语言模型生成的生物医学假设
研究人员开发了 HypoKG，一种利用大型语言模型（LLMs）生成生物医学假设的新方法，通过将三个主要的生物数据库整合到一个统一的知识图谱中。该方法旨在确保 LLM 生成的假设基于科学证据，而不仅仅是看起来合理。实验表明，在源和疾病终点之间提供完整生物路径的 LLM 生成的假设与已知的机制关系更加一致，证明了证据约束推理。
-
新的Homo-RAG框架使用LLM进行跨物种基因功能预测
研究人员开发了Homo-RAG，一个使用大型语言模型预测不同物种基因功能的新颖框架。该系统集成了同源性引导检索和证据感知排序，利用斑马鱼和人类基因之间的生物学关系。通过查询ZFIN、UniProt和PubMed等数据库，Homo-RAG使用证据置信度分数（Evidence Confidence Score）来优化证据排序，显著提高了基因功能预测的准确性和相关性。
-
LLM驱动的代理简化了生物学家的蛋白质工程
已开发出两个新的代理框架AutoProteinEngine (AutoPE) 和 TourSynbio-Search，以简化生物学家的蛋白质工程。AutoPE 利用大型语言模型 (LLM) 实现与深度学习模型的自然语言交互，用于模型选择和超参数优化等任务。TourSynbio-Search 由 TourSynbio-7B LLM 提供支持，提供跨科学文献和蛋白质数据库的统一搜索方法，解释自然语言查询以从 UniProtKB 和 arX…
-
北大发布开源 Claude Science 替代品 OpenAI4S
北京大学和元空间 AI Agent Lab 的研究人员发布了 OpenAI4S，这是一个开源的科学研究代理，模仿了 Anthropic 的闭源 Claude Science 的能力。这个新的代理在 MIT 许可下可用，专注于“代码即行动”的方法，允许 AI 在持久环境中直接生成和执行 Python 或 R 代码。OpenAI4S 旨在将 AI 集成到完整的科研工作流程中，从数据检索和分析到报告生成，并高度重视使用真实数据和计算，避免捏造结果。
-
生成式AI变革生物信息学：一项系统性综述
一篇发表在arXiv上的系统性综述，考察了生成式人工智能（GenAI）对生物信息学的影响，涵盖了模型、应用和方法学进展。该综述发现，GenAI显著增强了基因组学、蛋白质组学和药物发现等领域，由于其改进的模式识别和数据生成能力，其表现常常超越传统方法。尽管专门的GenAI架构在特定领域任务中表现出卓越性能，但可扩展性差、数据偏差和泛化能力受限等局限性依然存在，这需要更强的评估和基于生物学原理的建模方法。
-
AI 联合科学家工作流针对 EGFR 抑制剂耐药性
研究人员开发了一个 AI 联合科学家工作流，用于发现新的 EGFR 抑制剂，特别是针对导致现有疗法耐药性的 C797S 突变。该过程包括使用 ChEMBL 和 UniProt 来识别生物靶点和生物活性数据，然后使用 RDKit 进行分子标准化和特征计算。在此数据上训练随机森林模型以预测抑制剂效力，并使用 SHAP 进行特征解释。最后，工作流通过 BRICS 重组分子片段进入生成设计，以创建新的候选药物，然后根据 PubChem 进行评…
-
PairSAE方法增强了蛋白质共折叠模型的可解释性
研究人员开发了PairSAE，一种在蛋白质共折叠基础模型中实现机制可解释性的新方法。与难以处理成对表示的二次特征爆炸的标准稀疏自编码器不同，PairSAE使用N模SVD总结这些张量，以识别token级别的交互作用。这种方法能够学习共享的token级别特征，这些特征可以解码为序列和对表示，从而更清晰地了解模型对结构生物学概念的理解。
-
新AI方法审计蛋白质模型是否存在危险设计
研究人员开发了VFUSE，一种使用稀疏自编码器（SAE）来解释RoseTTAFold3和RFDiffusion3等生成式蛋白质模型的新方法。该方法旨在识别和理解与危险蛋白质设计相关的特征，从而提高蛋白质工程的安全性。通过在扩散变换器激活上训练SAE，VFUSE展示了改进的可解释性，能够更好地检测与毒性相关的特征，同时不影响模型性能。
-
Google DeepMind推出AI工具包以加速生命科学研究
Google DeepMind开发了一个名为Science Skills for Google的新AI工具包，旨在加速研究工作流程。该工具包整合了来自UniProt和AlphaFold数据库等30多个主要生命科学来源的见解。它已被用于分析一种罕见的遗传性疾病，提供了比传统方法更快、更复杂的结构分析和新颖的见解。
-
BioTool数据集增强LLM生物医学工具调用能力
研究人员开发了BioTool，一个旨在提高大型语言模型利用专业生物医学工具能力的新数据集。该数据集包含来自主要数据库的34个工具，以及超过7000个人工验证的查询-API调用对。在BioTool上对一个40亿参数的LLM进行微调，显著提高了其工具调用性能，在该特定领域甚至超越了GPT-5.1等模型。人工评估证实，这种微调能提高生物医学任务的下游答案质量。
-
AI模型CRC-Screen认证DNA合成订单的危害性
研究人员开发了一种名为CRC-Screen的新方法，以提高筛查DNA合成订单潜在危害的准确性。该系统解决了当前方法的一个关键缺陷，即当危险序列属于参考数据库中不存在的分类家族时，筛查就会失败。CRC-Screen结合了多种信号，包括与已知毒素的相似性、基于LLM的评估以及嵌入相似性，以实现认证的漏报率低于指定阈值。
-
AI解读蛋白质模型以检测生物风险
研究人员开发了一种名为SAEBER的新方法，利用稀疏自编码器（SAEs）来分析RFDiffusion3和RoseTTAFold3等蛋白质设计模型。该技术识别模型中与设计毒性或有毒蛋白质的可能性相关的特征。虽然在毒性分类方面并未超越当前最先进水平，但SAEBER通过提供结构化、特征层面的解释，为理解和潜在控制有害蛋白质的生成提供了一种新颖的方法。