关键词 "AI制药" 的搜索结果， 共 8 条, 只显示前 480 条
AlphaFold 是 DeepMind 开源的人工智能系统，借助 AlphaFold 可以更加准确的预测蛋白质的形状。主要应用于医疗保健和生命科学领域，有可能加速药物的研究与发现。 AlphaFold到底厉害在哪里？它的核心武器叫做“深度学习”，简单来说，就是让AI自己去学习成千上万个已知的蛋白质结构，从中找出隐藏的规律。更重要的是，AlphaFold引入了一种叫做“进化信息”的数据，分析
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
Chai-2，这是分子设计领域的一项重大突破。Chai-2 在设计完全从头抗体时实现了前所未有的两位数成功率，与以往方法相比，命中率提高了几个数量级。只需测试 20 个设计，该模型就能在各种靶点中轻松找到可行的匹配方案。该模型的高成功率和广泛的泛化能力为快速精准的原子级分子工程新时代铺平了道路。 我们挑战 Chai-2 设计多达 20 种抗体或纳米抗体，以针对 52 个不同的蛋白靶点，所有这些靶
深度生成序列模型的归因分配使得仅使用正数据进行可解释性分析成为可能 １．本文介绍了 GAMA（生成归因度量分析），这是第一个基于积分梯度的归因方法，适用于仅基于正样本数据训练的自回归生成模型。即使没有负样本，GAMA 也能解释此类生成模型所学习的特征。 ２．与大多数为监督学习开发的可解释性工具不同，GAMA 适用于单类生成模型，例如长短期记忆（LSTM），这类模型常用于抗体设计，因为负样本（非
1. 本研究介绍了 PrefixProt，这是一个新颖的框架，它通过利用预训练蛋白质语言模型 (ProtLM) 上的前缀调整来实现可控蛋白质设计。它使用学习到的虚拟标记作为模块化控制标签，引导蛋白质生成朝着所需的结构和功能特性发展。 2. PrefixProt 最引人注目的特性在于它能够通过组合不同的虚拟标记来生成具有多种用户自定义属性（例如结构和功能）的蛋白质，而无需重新训练基础模型。这种组合
1.VALID-Mol 是一个系统性框架，通过集成快速分子工程、领域特定微调和自动化化学验证，显著提高了 LLM 生成分子的可靠性，有效性从 3% 提高到 83%。 2. 与典型的 LLM 应用程序（这些应用程序会产生看似合理但化学上无效的输出）不同，VALID-Mol 使用化学信息学工具验证每个生成分子的语法和语义，从而确保其科学严谨性。 3. 该框架最引人注目的创新在于其系统化的快速分子工
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
只显示前20页数据，更多请搜索
Showing 49 to 56 of 56 results
