AI在线 AI在线

生物学

OpenAI GPT-4 AI 模型潜力挖掘：高精度建模基础蛋白质结构

OpenAI GPT-4 AI 模型潜力挖掘：高精度建模基础蛋白质结构
科技媒体 The Decoder 昨日（8 月 21 日）发布博文，报道称罗格斯大学的一项研究表明，OpenAI 公司的 GPT-4 语言模型能高精度模拟简单的氨基酸和蛋白质结构。相关研究成果发表在《Scientific Reports》上，该科研团队使用 GPT-4 AI 语言模型，探索其在基本结构生物学任务中的表现，结果发现该 AI 模型可以准确预测分子结构。科学家们要求 GPT-4 建立 20 种标准氨基酸的三维结构模型，在反馈结果中准确地预测了原子组成、键长和角度，不过 GPT-4 在模拟环状结构和立体化学
8/22/2024 8:40:27 AM
故渊
SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息

SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息
编辑 | KX在药物研发领域，准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而，目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此，来自厦门大学的研究人员提出了一种新颖的多模态特征提取（MFE）框架，该框架首次结合了蛋白质表面、3D 结构和序列的信息，并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明，该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外，消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「Surface-
7/16/2024 6:39:00 PM
ScienceAI
专为五大科学领域定制，NASA与IBM合作开大语言模型INDUS

专为五大科学领域定制，NASA与IBM合作开大语言模型INDUS
INDUS 以南天星座命名，是一套全面的大型语言模型，支持五个科学领域。（来源：NASA）编辑 | KX在大量数据上训练的大型语言模型 (LLM) 在自然语言理解和生成任务上表现出色。大多数流行的 LLM 使用 Wikipedia 等通用语料库进行训练，但词汇的分布变化导致特定领域的性能不佳。受此启发，NASA 与 IBM 合作开发了 INDUS，这是一套全面的 LLM，专为地球科学、生物学、物理学、太阳物理学、行星科学和天体物理学领域量身定制，并使用从不同数据源的精选科学语料库进行训练。INDUS 包含两类模型：
6/27/2024 5:23:00 PM
ScienceAI
浙大开发DeepSorption：晶态多孔材料吸附性能深度学习框架

浙大开发DeepSorption：晶态多孔材料吸附性能深度学习框架
编辑 | 紫萝空间转录组学 (ST) 技术可检测单个细胞中的 mRNA 表达，同时保留其二维 (2D) 空间坐标，使研究人员能够研究转录组在组织中的空间分布；然而，对多个 ST 切片进行联合分析并将它们对齐以构建组织的三维 (3D) 堆栈仍然是一个挑战。近日，来自中国科学技术大学、合肥综合性国家科学中心和北京生命科学研究所（NIBS）的研究团队，提出了用于 ST 数据分析的深度学习空间架构表征 (SPACEL)。SPACEL 包含三个模块——Spoint、Splane 和 Scube——涵盖了 ST 数据的三个分析
12/7/2023 3:33:00 PM
ScienceAI
AI4S｜WAIC 2023科学中的人工智能：计算生物学论坛重磅嘉宾公布，这场高端学术论坛不容错过！

AI4S｜WAIC 2023科学中的人工智能：计算生物学论坛重磅嘉宾公布，这场高端学术论坛不容错过！
2023年7月7日上午，上海人工智能实验室计算生物创新中心联合复旦大学复杂体系多尺度研究院、浙江大学上海高等研究院，举办论坛AI for Science: Computational Biology/科学中的人工智能：计算生物学。
6/19/2023 3:25:00 PM
新闻助手
AI+Science技术实践与产业应用中的挑战与机遇

AI+Science技术实践与产业应用中的挑战与机遇
「机器之心2021-2022年度AI趋势大咖说」聚焦「驱动未来的AI技术」与「重塑产业的AI科技」，推出线上分享，共邀请近40位AI领域知名学者、产业专家及企业高管通过主题分享及多人圆桌等形式，与行业精英、读者、观众共同回顾 2021年中的重要技术和学术热点，盘点AI产业的年度研究方向以及重大科技突破，展望2022年度AI技术发展方向、AI技术与产业科技融合趋势。
8/1/2022 8:47:00 PM
机器之心Pro发布
计算生物学家​Anne Carpenter谈：机器学习将高维的生物学问题简化

计算生物学家​Anne Carpenter谈：机器学习将高维的生物学问题简化
编译/凯霞今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。计算生物学家 Anne Carpenter 是开发这些自动化工具的先驱。你不能通过封面来判断一本书，也就是，你不能以貌取人，至少我们是这么了解人的。然而，对于细胞来说，令人惊讶的是，事实并非如此。使用类似于计算机识别面部的机器学习方法，生物学家可以表征显微图像堆栈中的单个细胞。通过测量数以千计的可视化细胞特性——标记蛋白的分布、细胞核的形状、线粒体的数量——计算机可以从细胞图像中挖掘出识别细胞类型和疾病
11/8/2021 4:54:00 PM
ScienceAI