蛋白质结构预测

蛋白预测从数月缩短至数小时，MassiveFold出于AlphaFold而胜于AlphaFold3

编辑 | KX蛋白质结构预测领域正处于发展的黄金时代。生物技术研究在很大程度上依赖于发现正确的蛋白质结构来执行所需的任务，这对几乎所有生物技术领域都有影响，从食品到药品、从时尚到生物燃料、从洗衣粉到农业......AlphaFold 已经彻底改变了蛋白质结构预测，使单链和复杂蛋白质组装的建模成为可能。然而，它需要大量计算并且耗时。

AI再夺诺奖！2024诺贝尔化学奖授予蛋白质计算领域三位科学家

编辑 | ScienceAI2024 年 10 月 9 日北京时间 17 时 45 分许，瑞典皇家科学院在斯德哥尔摩宣布，将 2024 年诺贝尔化学奖的一半授予华盛顿大学教授大卫·贝克（David Baker），以表彰他在「计算蛋白质设计」方面的贡献，并将另一半授予Google DeepMind 的科学家戴密斯·哈萨比斯（Demis Hassabis）和约翰·M·詹伯（John M. Jumper），以表彰他们在「蛋白质结构预测」方面的贡献。大卫·贝克（David Baker）华盛顿大学蛋白质设计研究所所长，霍华德

新型蛋白质大语言模型即将登陆Google Cloud

编辑 | KX9 月 17 日，领先的细胞编程和生物安全平台 Ginkgo Bioworks 公司宣布了两项新产品，将助力制药和生物技术公司更容易开发新药，这是在去年与 Google Cloud 宣布的合作伙伴关系的基础上推出的。与 Google Cloud 合作构建的蛋白质大型语言模型 (LLM)，是业内首创之一，它将使个人研究人员和企业公司能够利用 Ginkgo 私人数据的见解开发药物。其次，Ginkgo 正在推出其模型 API，这是一种强大的工具，旨在将生物 AI 模型直接带给机器学习科学家。该 API 现已

Nat. Commun.|人类水平的准确性，哈佛医学院团队使用机器学习，从空间蛋白质组数据中快速、精确地识别细胞类型

编辑 | 萝卜皮高度多重蛋白质成像正在成为分析细胞和组织内天然环境中蛋白质分布的有效技术。然而，现有的利用高复杂空间蛋白质组学数据的细胞注释方法是资源密集型的，并且需要迭代的专家输入，从而限制了它们对于广泛数据集的可扩展性和实用性。哈佛医学院（Harvard Medical School）团队引入了 MAPS（Machine learning for Analysis of Proteomics in Spatial biology），这是一种机器学习方法，有助于从空间蛋白质组数据中快速、精确地识别细胞类型，并具有

南开&山大&北理工团队开发trRosettaRNA：利用Transformer网络自动预测RNA 3D结构

编辑 | 萝卜皮RNA 3D 结构预测是一个长期存在的挑战。受最近蛋白质结构预测领域突破的启发，南开大学、山东大学以及北京理工大学的研究团队开发了 trRosettaRNA，这是一种基于深度学习的自动化 RNA 3D 结构预测方法。trRosettaRNA 流程包括两个主要步骤：通过transformer网络进行 1D 和 2D 几何形状预测；以及通过能量最小化进行的 3D 结构折叠。基准测试表明 trRosettaRNA 优于传统的自动化方法。在 CASP15 和 RNA-Puzzles 实验的盲测中，对天然 R