Uni - AI在线

登Nature子刊，哈佛医学院发布迄今最大计算病理学基础模型，适用30+临床需求

编辑 | X基础模型有望为医学领域带来前所未有的进步。在计算病理学 (CPath) 中，基础模型在提高诊断准确性、预后以及预测治疗反应方面发挥着关键作用。近日，美国麻省总医院（Massachusetts General Hospital）、哈佛医学院等组成研究团队设计了迄今为止最大的两个 CPath 基础模型：UNI 和 CONCH。这些基础模型适用于 30 多种临床和诊断需求，包括疾病检测、疾病诊断、器官移植评估和罕见疾病分析。新模型克服了当前模型的局限性，不仅在研究人员测试的临床任务中表现良好，而且在识别新的、

预测精度高达0.98，清华、深势科技等提出基于Transformer的MOF材料多功能预测框架

编辑 | X气体分离对于工业生产和环境保护至关重要，金属有机框架（MOF）由于其独特的性能而成为气体分离领域一种有前途的材料。传统的模拟方法，如分子动力学，复杂且计算量要求高。虽然基于特征工程的机器学习方法表现更好，但由于标记数据有限，很容易出现过度拟合。此外，这些方法通常是针对单一任务而设计的。为了应对这些挑战，由清华大学、加州大学、中山大学、苏州大学、深势科技和北京科学智能研究院（AI for Science Institute，Beijing，AISI）组成的多机构团队，合作提出了 Uni-MOF，一种用于

弥合化学反应预训练和条件分子生成之间的差距，北大「统一」模型

编辑 | 紫罗化学反应是药物设计和有机化学研究的基础。研究界越来越需要一种能够有效捕获化学反应基本规则的大规模深度学习框架。近日，来自北京大学和望石智慧的研究团队提出了一种新方法来弥合基于反应的分子预训练和生成任务之间的差距。受有机化学机制的启发，研究人员开发了一个新的预训练框架，使其能够将归纳偏差纳入模型中。所提框架在执行具有挑战性的下游任务中取得了最先进的结果。通过掌握化学知识，生成框架克服了当前依赖少量反应模板的分子生成模型的局限性。在大量的实验中，模型生成了高质量的可合成药物样结构。总的来说，该研究向各种基

一个模型处理多种模态和任务，商汤等提出Uni-Perceiver，迈向通用预训练感知模型

来自商汤、西安交通大学等机构的研究者提出了一种通用感知架构 Uni-Perceiver ，该方法可以更好地将预训练中学到的知识迁移到下游任务中。