AlphaFold2原理和架构及其在生物学和医学领域的应用

并可能改变我们进行结构生物学、药物发现、蛋白质设计等相关研究的方式,已经报道了许多蛋白质结构预测的算法:同源性建模方法主要使用两种技术,同源性建模的优点包括算法简单、预测速度快以及具有结构已知同系物的蛋白质的高精度“这意味着它无法预测同系物结构中尚未确定的蛋白质的结构。从头建模不依赖于已知的蛋白质结构。关于基于从头建模的蛋白质结构预测有许多研究。
1
0
0
LeCun转发,MetaAI最新Science研究:用语言模型预测原子级蛋白质结构的进化程度

人工智能有可能在进化的规模上开启对蛋白质结构的洞察力。直到 2022 年才有可能将蛋白质结构预测扩展到 2 亿个编目蛋白质。对大规模基因测序实验揭示的呈指数增长的数十亿蛋白质序列的结构进行表征,使用大型语言模型从主序列直接推断结构,可以在高分辨率结构预测中实现一个数量级的加速。利用语言模型在数百万序列中学习进化模式的洞察力,它们学习的信息能够以单个原子的分辨率预测蛋白质的三维结构。
1
收藏
0
人工智能促进科学:一个新兴的议程
本报告记录了达格斯图尔研讨会「科学机器学习。数据驱动和机械建模之间的桥梁」的方案和成果,相互关联的自然、技术和人类系统受到跨越时间和空间尺度的力量的影响。为了理解这些现象并利用科学进步提供创新的解决方案。人们需要新的方法来分析复杂的系统;人工智能的变革潜力源于其跨学科的广泛适用性;只有通过跨研究领域的整合才能实现。人工智能对于科学来说是一个集合点,它汇集了人工智能和应用领域的专业知识。
1
0
0
何恺明 MIT 最新演讲:未来工作将聚焦 AI for science

本文部分内容转自AI科技评论,何恺明在MIT做学术演讲,本次何恺明的演讲主题是 "In Pursuit of Visual Intelligence"(追求视觉智能),在现场演讲中,何恺明按时间线顺序回顾其之前的几篇工作。何恺明也在现场透露了接下来的研究方向会是 AI for science,其谷歌学术被引用次数已经突破40万次,在2022年人工智能全球最具影响力学者榜单中。
1
收藏
0
Food Chem|深度学习根据成分声明准确预测食品类别和营养成分

本文作者提出了一种基于深度学习的通用技术来预测食物种类和营养成分。确定诸如食品分类、创建分类法和食品营养成分等属性可能是一项具有挑战性和资源密集型的任务,多层感知器 (MLP)-TF-SE 方法在使用 AI 的食品自然语言处理任务中获得了最高的学习效率。可以嵌入到其他食品分类和回归任务中。并作为食品和营养领域其他应用的扩展,(a)输入数据-成分列表和营养信息从BFPD获得。
1
收藏
0
Nat Comput Sci|利用图神经网络对空间转录组数据进行细胞聚类

电子信息与电气工程学院自动化系沈红斌教授、袁野副教授的课题组(模式识别与生物信息学课题组)在《自然-计算科学》(Nature Computational Science)上发表题为《利用图神经网络对空间转录组数据进行细胞聚类》(Cell clustering for spatial transcriptomics data with graph neural networks)的研究论文。
1
收藏
0

查看更多 
热门榜单
- 活动合作
- 微信社群