RNA - AI在线

性能远超当前SOTA，首个可解释RNA的AI植物基础模型来了，整合1124种植物RNA信息

编辑丨&植物 RNA 的复杂序列编码了大量的生物调节元件，这些元件在协调植物生长、发育和适应环境压力的关键方面起到重要作用。基础模型（FM）的最新进展证明了它们在破译生物学中复杂“语言”方面前所未有的潜力。于最近的研究中，东北师范大学、英国约翰·英尼斯中心（ John Innes Centre）和埃克塞特大学（University of Exeter）等组成的团队提出了 PlantRNA-FM，一种专为植物设计的高性能且可解释的 RNA 基础模型。

准确、快速地从头预测RNA 3D结构，港中大、复旦等深度学习方法RhoFold+登Nature子刊

编辑 | KXRNA 分子在分子生物学中心法则中起关键作用，RNA 结构如何影响基因调控和功能一直是研究的热门话题。准确预测 RNA 三维 (3D) 结构仍是一个难题。 RNA 的结构灵活性导致实验确定的数据稀缺，从而使计算预测工作变得复杂。

斯坦福伯克利重磅发现DNA Scaling Law，Evo荣登Science封面！AI设计DNA/RNA/蛋白质再突破

Is DNA all you need？ AI可以实现从分子到基因组尺度的预测和生成任务了！图片就在刚刚，这项研究登上了Science封面。

AI 发现16万种新RNA病毒成果登上《Cell》后，我们和阿里云算法专家贺勇聊了聊

近期，AI for Science 领域的惊喜不断，持续在物理、化学、生物领域开花结果。不仅诺贝尔物理和化学奖双双颁给 AI 领域的科学家，阿里云与中山大学的科研也带来了RNA病毒寻找的突破，国际顶级学术期刊《Cell》收录了这一研究论文。《基于人工智能探索和记录隐藏的RNA病毒世界》论文提出深度学习模型"LucaProt"，用于快速准确判别RNA病毒，颠覆传统病毒发现方法。

AI发现超16万种新RNA病毒？阿里云、中山大学合作研究登Cell

编辑 | 萝卜皮人工智能（AI）已被用来揭示地球各个角落的多种基本生命体。阿里云、中山大学、悉尼大学等机构的合作团队开发了一种深度学习算法，称为 LucaProt，用于发现来自全球不同生态系统的 10,487 个宏转录组中高度分化的 RNA 依赖性 RNA 聚合酶 (RdRP) 序列。LucaProt 整合了序列和预测结构信息，从而能够准确检测 RdRP 序列。

中国科学家运用人工智能算法发现大量全新 RNA 病毒，大幅拓宽 RNA 病毒库

AI在线从中山大学官方微信公众号获悉，10 月 9 日，中山大学医学院施莽教授团队与阿里云李兆融团队在《细胞》（Cell）杂志上发表论文，报告了 180 个超群、超过 16 万种全球 RNA 病毒的发现，这是迄今为止规模最大的 RNA 病毒研究，大幅扩展了全球 RNA 病毒的多样性，该研究将人工智能技术应用于病毒鉴定，发现了传统方法未能发现的病毒“暗物质”，探索了病毒学研究的新路径。据介绍，传统的病毒发现方法包括病毒分离和生命组学的生物信息学分析，高度依赖既有知识，面对 RNA 病毒这种高度分化、种类繁多且容易变异

礼来公司投资 4.09 亿美元，进军人工智能领域

编辑 | KX近日，礼来公司与人工智能驱动药物发现的 Genetic Leap 达成一项人工智能药物研发协议，该协议价值高达 4.09 亿美元。总部位于纽约的 Genetic Leap 专注于在 AI 和 RNA 基因医学领域进行创新，旨在支持 RNA 靶向药物的发现。其 AI 平台可用于发现新靶点，并找到方法以对抗经过验证但无法用药的靶点。此前，安斯泰来（Astellas）制药公司与 Genetic Leap 合作，利用该平台在 2022 年寻找针对未公开的肿瘤靶点的 RNA 靶向小分子。现在，礼来公司已加入 G

多功能RNA分析，百度团队基于Transformer的RNA语言模型登Nature子刊

编辑 | 萝卜芯预训练语言模型在分析核苷酸序列方面显示出了良好的前景，但使用单个预训练权重集在不同任务中表现出色的多功能模型仍然存在挑战。百度大数据实验室（Big Data Lab，BDL）和上海交通大学团队开发了 RNAErnie，一种基于 Transformer 架构，以 RNA 为中心的预训练模型。研究人员用七个数据集和五个任务评估了模型，证明了 RNAErnie 在监督和无监督学习方面的优越性。RNAErnie 超越了基线，分类准确率提高了 1.8%，交互预测准确率提高了 2.2%，结构预测 F1 得分提高

仅根据蛋白质序列便可预测相互作用界面，一种基于Transformer的蛋白预测模型

编辑 | 萝卜皮蛋白质-蛋白质相互作用（PPI）对于生物过程至关重要，预测这些相互作用的位点对于计算和实验应用都很重要。杜克大学（Duke University）和康奈尔大学（Cornell University）的研究人员提出了一种与结构无关的语言Transformer和肽优先级（Structure-agnostic Language Transformer and Peptide Prioritization，SaLT&PepPr）管线，用于仅根据蛋白质序列预测相互作用界面，以用于后续生成肽结合基序。该模型通过

开源！港中文、MIT、复旦提出首个RNA基石模型

本文中 RNA-FM 模型的出现一定程度上缓解了 RNA 带标注数据紧张的现状，为其他研究者提供了访问大批量无标签数据的便捷接口。并且，该模型将以 RNA 领域基础模型的身份，为该领域的各种各样的研究提供强有力的支援与帮助。