关键词 "生物信息学" 的搜索结果， 共 9 条, 只显示前 480 条
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。
2021年7月，谷歌旗下DeepMind团队和欧洲生物信息研究所（EMBL-EBI）合作，发布由人工智能系统AlphaFold预测的蛋白结构数据库（AlphaFold Protein Structure Database）。这一数据库包含了AlphaFold人工智能系统预测的约35万个蛋白结构，覆盖包括人类以及20种生物学研究中常用模式生物（大肠杆菌、果蝇、斑马鱼、小鼠…）。在人类蛋白质组方面，A
AlphaGenome是谷歌DeepMind推出的全新AI模型，能更深入地理解基因组。模型能接收长达100万个碱基对的DNA序列输入，预测数千种表征其调控活性的分子特性，评估基因变异的影响。模型基于卷积层、Transformer架构，训练数据来自大型公共数据库。模型具有长序列上下文与高分辨率、全面多模态预测、高效变异评分和新颖剪接点建模等优势，在多项基准测试中表现顶尖，基于API向非商业研究领域开
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
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. PDeepPP 通过将 ESM-2 蛋白质语言模型嵌入与混合 Transformer-CNN 架构融合，引入了统一的肽识别深度学习框架。该设计在各种生物信息学任务中均实现了高精度和可扩展性。 2. PDeepPP 在 33 项基准生物学任务中的表现显著优于先前的方法，包括抗菌、抗癌和糖基化位点识别。在抗菌肽检测中，其准确率达到 97.26%，PR AUC 为 0.9977，在抗疟药检测
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．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
只显示前20页数据，更多请搜索
Showing 25 to 33 of 33 results
