MegaFold是一个跨平台系统，用于加速蛋白质结构预测模型（例如 AlphaFold3、AlphaFold2）。 为什么选择 MegaFold？ 跨平台支持：通过优化的基于 Triton 的内核，支持在异构设备上执行，包括 NVIDIA GPU 和 AMD GPU。 易于使用：只需更改几行代码即可获得巨大的性能提升 速度提升：每次迭代训练时间加快高达 1.73 倍 减少内存：将

1.PRO-LDM 引入了一种模块化潜在扩散模型，用于全长蛋白质序列设计，该模型兼具无条件生成和功能优化，将准确性与计算效率完美结合。 2. 一项重大创新在于在潜在空间中应用扩散，显著降低采样成本，同时保持生成序列的保真度和多样性。 3. PRO-LDM 通过将条件潜在扩散与监督适应度预测相结合，实现了具有目标特性（例如荧光、溶解度、热/化学稳定性）的蛋白质序列的可控设计。 4. 通过无分类

１．本研究提出了蛋白质折叠进化模拟器（PFES），这是一个从随机氨基酸序列开始，以原子分辨率模拟蛋白质进化的计算框架。 ２．作者利用PFES证明，稳定的球状蛋白质折叠可以相对容易地从随机序列进化而来，每个位点只需0.2到3个突变，与LUCA以来观察到的进化变化相当或更少。 ３．值得注意的是，大约一半进化出的蛋白质与已知的自然折叠（例如HTH、SH3和β三明治）相似，而其余的则是独一无二的，这凸

１．codonGPT引入了第一个直接在编码mRNA序列（密码子）上训练的生成语言模型，解决了基于RNA的序列建模中一个主要问题，该问题一直落后于DNA和蛋白质建模的进展。 ２．一项关键创新是使用推理时间同义逻辑掩蔽，确保生成的密码子序列以100%的保真度保留原始氨基酸序列，这对于治疗应用至关重要。  ３．强化学习（RL）首次在codonGPT的基础上用于优化特定蛋白质的密码子序列。这允许用户跨

PORPOISE，这是一个交互式的免费平台，可直接生成由我们的模型确定的数千名多种癌症类型患者的预后标记。为了验证这些模型解释的预后价值，我们分析了 WSI 中关注度较高的形态学区域，结果表明，在 14 种癌症类型中，有 12 种存在肿瘤浸润淋巴细胞，这证实了癌症预后良好。

Berkeley Lights, Inc. (BLI) 成立于 2011 年，总部位于加州埃默里维尔，致力于提供突破性的技术和仪器平台，从根本上改变利用细胞生物学过程进行的研究。数字细胞生物学 (Digital Cell Biology) 将生物科学、技术和信息相结合，显著提升科学家研究细胞相互作用的方式。Berkeley Lights 的平台和技术能够同时对数千个细胞进行最快、最深入、最全面的测

专长：利用人工智能和基因组学加速药物发现。Engine Biosciences 将人工智能与基因组学相结合，以发现基因相互作用和新型药物靶点。他们的研发管线涵盖肿瘤学和传染病领域的候选药物，展现了人工智能驱动的洞察力在药物发现领域的强大力量。

1. VarDrug 引入了一个机器学习框架，用于预测基因变异如何影响药物反应，重点关注精神类药物。它使用来自 PharmGKB 的数据来解决变异体-药物相互作用问题，并比基于规则的方法取得了显著的性能提升。 2. 其核心是一个自监督变异编码器，该编码器基于 100,000 个人类基因组变异体进行训练，并使用 DNABERT2 嵌入对每个变异体的基因组背景进行编码。将此变异编码器添加到标准机器学