- 综合排序
- 最热优先
- 最新优先
最新AlphaFold 3：预测所有生物分子结构、相互作用
1.写在开头 最近总是看到AlphaFold 3又在Nature发表的新闻，我便想亲自体验一下AlphaFold 3的强度之处 2.简介 AlphaFold 3采用了一种全新的、基于扩散的架构，可以联合预测各种复合物的结构 3.对生物、医药、科学的意义 最让人兴奋的是，AlphaFold 3相比以前的专业工具在准确性上有了显著的提升。对于蛋白质和配体之间的相互作用，它的准确性远远超过了当前最先进的对接工具。 而在蛋白质和核酸之间的相互作用方面，它也比以往的核酸特异性预测器表现得更好。甚至，在抗体和抗原的预测上，它也比之前的AlphaFold-Multimer v2.3模型有了显著的提高。 这意味着什么呢？ AlphaFold 3的推出，无疑将推动我们对生命科学的理解和探索迈出一大步！ 4. AlphaFold 3如何使用？ 也不得将其用于训练机器学习模型或相关技术，用于类似AlphaFold服务器的生物分子结构预测。
95210编辑于 2024-05-13- 来自专栏DrugAI
Methods | RNA结构预测
这一高度精准的蛋白结构预测工具几乎在发布的第一时间，就对整个生命科学研究领域产生了深远影响。正因如此，蛋白结构预测也被评选为 2021 年的 Method of the Year。 在此之后，结构预测从“计算辅助”跃升为“研究核心工具”。 这种高度的构象可塑性，使 RNA 的结构预测和实验解析都变得异常困难。 受 AlphaFold 启发，RNA 结构预测迎来深度学习浪潮 AlphaFold 的成功，也极大激发了研究人员将机器学习和深度学习方法引入 RNA 结构预测。 ，使 RNA 结构预测逐步从“规则驱动”迈向“数据驱动”。
50420编辑于 2026-01-06 - 来自专栏生信小驿站
预测RNA三级结构
RNAComposer http://rnacomposer.cs.put.poznan.pl/ 输入RNA序列和二级结构，邮箱地址，点击compose即可。 ? 2. 3dRNA-2.0 http://biophy.hust.edu.cn/3dRNA ? 3. Vfold3D ? 4. 这四个rna三级结构预测的服务器网站都是需要序列和二级结构。 研究人员提出了一种快速的，基于RNA二级结构，构建RNA三级结构的自动化新方法——3dRNA。 由于RNA结构组织主要是由二级结构水平和三级作用上的拓扑约束编码决定，因此研究人员采用了一个两步法步骤，从最小的二级元件SSEs开始构建整个RNA三级结构。 具。
5.4K20发布于 2021-03-03 - 来自专栏HUBU生信
RNA二级结构预测
trna二级结构的预测可使用RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html。 例：预测爬行动物北美绿色安乐蜥的tRNA trna166-ArgTCG 的序列的二级结构 进入gtrnadb数据库查找trna166-ArgTCG 的序列 1.gtrnadb下载脊椎动物序列集，进入[Download 是因为第88行是序列名称类型等相关信息，第89，90行才是序列: head -n 90 eukaryotic-tRNAs.fa |tail -n 3 >Anolis_carolinensis_chr2_ 3.将序列文件导入到RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html 进行结构预测。 等待得到预测的结果 ? 全文结束,欢迎在评论区讨论~
2.2K10发布于 2018-12-27 - 来自专栏量子位
谷歌新论文：教机器人预测3D结构、然后抓取物体
我们论证了物体3D几何结构是抓取交互的研究核心，并提出一种称为几何感知学习智能体（geometry-aware learning agent）的新概念。 本文的核心思想是通过3D几何学预测来约束和规范交互学习。 △ 两阶段学习框架示意图 我们提出了一种两阶段的学习框架，分别执行3D形态预测和利用几何感知表征进行抓取结果预测。 模型结构 ? △ 几何感知编码器-解码器网络示意图 本文所构建的几何感知编码器-解码器网络包含两个部分，分别是3D形态生成网络（生成功能）和抓取结果预测网络（预测功能）。 实验 下图从直观层面和内在信息流两个角度简单介绍了3D形态预测的流程图。 ? △ 3D形态预测流程图 论文传送门： https://arxiv.org/pdf/1708.07303.pdf
86340发布于 2018-03-27 - 来自专栏DrugScience
榕树集--AlphaFold 3: 解锁生命密码！预测各类分子结构与互作!
框架改进和训练 AF3相比于专门针对特定任务的强大方法，在蛋白质结构和蛋白质相互作用结构的准确性方面取得了显著提高。 最终，AF3使用新的扩散模块直接操作原子的原始坐标，而不是AlphaFold 2中的结构模块。 预测精度 AlphaFold 3（AF3）在各种生物复合物结构预测准确率： 蛋白质-配体界面：在PoseBusters基准测试集上，AF3的准确率为口袋与配体的根均方偏差小于2 Å。 蛋白质-核酸复合物和RNA结构：AF3在预测蛋白质-核酸复合物和RNA结构时，相较于RoseTTAFold2NA模型，具有更高的准确率。具体数字可能需要参考下图。 服务地址：https://www.alphafoldserver.com/ 估计这几天人多 总结 AlphaFold 3模型在预测生物分子机器上取得了重大进展，展示了在统一框架内准确预测各种生物分子系统的结构是可能的
1.1K40编辑于 2024-05-09 - 来自专栏DrugOne
Nature | AlphaFold 3 预测了所有生命分子的结构和相互作用
描述了最新推出的AlphaFold 3 模型，采用了一个大幅更新的基于扩散的架构，能够联合预测包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物的结构。 不同复合物类型的准确度 AF3可以从输入的聚合物序列、残基修饰和配体SMILES中预测结构。图3中展示了一些示例，突显了该模型对多种生物学重要和治疗相关模态的泛化能力。 另外，我们还训练了一个接收“口袋信息”的AlphaFold 3版本，这是一些最近深度学习工作所使用的。 AF3能够比RoseTTAFold2NA更准确地预测蛋白质-核酸复合物和RNA结构。 AlphaFold 3能够预测具有数千个残基的蛋白质-核酸结构，图3a显示了其中的一个示例。 AlphaFold 3模型朝着这个方向迈出了重要的一步，展示了在一个统一的框架中准确预测各种生物分子系统的结构是可能的。
1.5K10编辑于 2024-05-13 - 来自专栏R语言交流中心
R语言实现DNA结构预测
今天给大家介绍一个来预测DNA结构的R包DNAshapeR，其从基因组测序数据中以超高速、高通量的方式预测DNA形状特征。该软件包以核苷酸序列或基因组间隔作为输入，并生成各种图形表示，以供进一步分析。 DNA预测使用滑动五聚体窗口，其中512个不同五聚体中的每一个都有独特的结构特征，从而在每个核苷酸位置（周向）定义了小沟宽（MGW），滚动，螺旋桨扭曲（ProT）和螺旋扭曲（HelT）的向量（周 等人， 序列的结构预测 library(DNAshapeR) fn <- system.file("extdata","CGRsample.fa", package = "DNAshapeR") pred <- 3. 利用公共的平台去检索对应的基因序列做结构预测,当然，我们参考的这个平台的包需要连接外网。 基因组浏览器的类似功能，展示DNA形状的预测结构 fn2 <- system.file("extdata","SingleSeqsample.fa", package = "DNAshapeR") pred2
2K41发布于 2020-09-29 - 来自专栏医学数据库百科
UFold | RNA二级结构预测
但是细胞内的 RNA 可以通过折叠形成 RNA 的二级结构。 RNA 的二级结构除了维持 RNA 本身的稳定性之外，其也可以参与一些基因的调控作用。 因此了解一个 RNA 的二级结构还是十分重要的。 所以今天就介绍一个最近发表的基于深度学习的 RNA 二级结构预测工具。 输入完成之后，点击Submit 即可得到预测的预测的 RNA 的二级结构。 关于 RNA 二级结构的预测工具目前已经有很多了。基于 Ufold 的原始文献，作者比较了多个 RNA 二级结构预测工具。 所有有需要预测二级结构的情况，可以尝试使用 UFold 工具。
4.4K30编辑于 2021-12-10 - 来自专栏大数据文摘
实时股票预测的开源参考结构
在股票市场中，查看历史股票价格并尝试用不同的模型来预测未来是一种常见的做法。 架构：股票预测与机器学习 概括而言，股票预测和机器学习的架构(如下图所示)支持一个由预测模型推动的优化过程，并有三个基本组成部分。首先是输入，实时交易数据必须被捕获和存储，变为历史数据。 然后预测出结果并决定采取何种行动。 ? 上图是简化版，该类型的结构在系统范围增加的情况下还有几个基本因素要考虑。其中重要的是，数据量和系统集成。 许多不同来源和类型的数据被用来预测结果，以及各种各样的汇数据处理。在一个20个数据源和20个处理汇的环境里，实时功能仍需要非常低延迟的操作。这体现了扩展问题的两个面。 机器学习模型得到的结果会被推送到其它应用进行处理，同时结果会在Apache Geode上更新，并进行实时预测和决策。
1.4K80发布于 2018-05-22 使用Boltz-1进行RNA结构预测
一.Boltz-1模型介绍 一句话来介绍这个模型就是： Boltz-1 是第一个达到 AlphaFold3 报告准确度水平、完全可商用的开源深度学习模型，用于预测生物分子复合物的 3D 结构，是由麻省理工学院 所以boltz-1的模型性能是和alphafold3相比肩的。！ 从图中可以看出Boltz-1在预测蛋白质结构方面可以达到很高的精度。 下图是boltz-1在casp15大赛中的表现： 所以我们本章要分享的内容就是使用Boltz-1模型的权重对RNA的结构进行预测。 MSA序列： paired用于结构预测，能提供更可靠的比对信息。 unpaired则为补充信息。 那么今天的分享就到这里咯，下一篇文章我们会来看看如何计算rna预测结构和真实结构之间的loss，以及如何使用tm-score来打分。 回见咯。
32310编辑于 2026-04-17- 来自专栏Android相关
处理器结构--分支预测(Branch Prediction)
最初的RISC体系结构处理器采用的应对分支指令的流水线执行的办法。 原因 分支预测器猜测条件表达式的两路分支中哪一路最可能发生，然后推测执行这一路的指令，来避免流水线停顿造成的时间浪费。 实现 主要包括两类预测器： 静态预测器（Static Predictor）以及动态预测器(Dynamic Predictor) 静态预测器 预测条件跳转不发生，因此总是顺序取下一条指令推测执行。 而更好的一种方案是n-bit动态预测。 例如2bit动态预测器。 以下为2bit动态预测器工作原理： 当处于处于00状态时候，预测顺序分支 预测成功，仍处于00状态 预测失败，则调整为01状态 当处于01状态时，继续预测顺序分支 预测成功，则调整为00状态 预测失败 ，则调整为10状态 当处于10状态时，预测其他分支 预测成功，则调整为11状态 预测失败，则调整为01状态 当处于11状态时，预测其他分支 预测成功，仍处于11状态 预测失败，则回退到10状态
4K41发布于 2018-10-24 - 来自专栏大大的小数据
EasyDL结构化数据预测2021.11.15
pd.read_excel(catering_sale) #print(data) print(data.corr()) #相关系数矩阵,即给出任意两款菜之间的相关系数 测试了一下单时间变量的时间序列预测 有再测试一下多因素的表格数据预测。 先跑一个SPSS相关性 最高的r0.6，一般。 预测正确率在80%范围内,不是很理想。 重新调整输入数据的现实时间关系，再跑一下模型。
56620编辑于 2022-09-22 - 来自专栏生信修炼手册
RNAfold预测RNA的二级结构
在mirdeep软件的分析结果中，会提供miRNA前体的二级结构，这个结果实际上是通过调用RNAfold来实现的，该软件是一个经典的预测RNA二级结构的软件，网址如下 http://rna.tbi.univie.ac.at 默认参数会输出以下两种二级结构 1. optimal secondary structure 最佳二级结构，保证对应的自由能最小，最小自由能简称MFE, 结果示意如下 ? 自由能表征改变这个结构需要注入的能量大小，对应的数值越小，该结构越稳定。 同时给出了可视化结果，示意如下 ? 这个程序也是可以下载到本地运行的，基本用法如下 RNAfold < hsa.hairpin.fa -noPS > precursors.str -noPS参数代表不产生二级结构对应的postscript ，上述用法只给出了最佳的二级结构预测结果和对应的自由能。
4.7K30发布于 2020-05-08 - 来自专栏生信小驿站
蛋白质二级结构预测
蛋白质二级结构 ? 常位于蛋白结构表面，多为带点和极性氨基酸 常为活性位点组成部分 无规则卷曲（Disordered regions） Jpred Jpred 是一种蛋白质二级结构预测网络服务器,由Barton Group 通过提交单一蛋白质序列或多重蛋白质序列并运行,Jpred就可以预测出蛋白质序列的二级结构：α-螺旋、β-折叠或无规则卷曲。Jpred应用了Jnet神经网络算法，准确率达到了76.4%。 迭代搜索序列数据库，并根据搜索出来的蛋白质建立目标蛋白质的profile （序列谱），从而将蛋白质氨基酸序列用profile来表示，对每个位点最终选择前后共15个位点组成一个窗口（windows）输入神经网络进行二级结构预测 PSI-PRED的预测准确率可达75％。
1.7K01发布于 2020-07-14 - 来自专栏智能生信
用序列模型从染色体角度来预测3D基因组结构
modeling of three-dimensional genome architecture from kilobase to chromosome scale 论文摘要 为了更好的学习基因序列如何影响3D 结构，本文提出了一个基于序列的深度学习方法，Orca。 这个模型能够在整个基因组scale上进行预测。Orca能够捕捉到基于序列的结构，比如CTFT，enhancer-prompter等等。Orca还有多种应用，比如预测结构变异以及结构变异的影响。
47030编辑于 2022-12-29 - 来自专栏DrugOne
OpenFold3-preview2: 开源版AlphaFold3 再升级，实现跨分子类型的高精度结构预测
DRUGONE 研究人员介绍了 OpenFold3-preview2（OF3p2），这是 OpenFold3 通用生物分子结构预测系统的第二个预发布版本。 OpenFold3 项目的长期目标是构建一个在所有分子类型上都能够达到 AlphaFold3 性能水平的开源结构预测系统。 因此，OpenFold3 项目的目标是构建一个完全开源且可训练的 AlphaFold3 级别模型，使研究人员能够在统一框架下研究不同分子模态的结构预测问题。 随后使用结构预测模型生成候选结构，并根据置信度筛选高质量样本，以保证训练数据的可靠性。 生物复合物预测 在单体和多体结构预测基准中，OF3p2 在蛋白质、DNA、RNA 以及蛋白-蛋白、蛋白-核酸复合物等多种模态上进行了评估。
61610编辑于 2026-03-25 - 来自专栏CreateAMind
动态网络贝叶斯预测融合：趋势预测与结构机制解析
：趋势预测与结构机制解析 https://arxiv.org/pdf/2606.26136 摘要 网络由相互竞争的结构机制塑造，例如社区、几何或枢纽。 在动态网络中，最具预测力的机制可能会发生变化，而绑定于单一机制或固定权重的模型，无法随着主导结构的转变而进行自适应调整。 5 数值研究 5.1 动态网络：追踪与定位 表 3 报告了预测得分。 在社区体制中，SBM 权重在所有三个预测中均为最大（3/3）；在枢纽体制中，Chung-Lu 在四个预测中的三个为最大，唯一的失误是切换后的第一个快照，这正是定理中可见的恢复延迟 hh。 定理 3 仅保证在边界裕度之上进行定位，因此上述几何失效应是小边界裕度的人为产物，而非结构性限制。
18810编辑于 2026-06-29 - 来自专栏医学数据库百科
3DSNP | 非编码SNP 3维功能预测
所以就不就给大家介绍一个利用三维基因组数据来分析非编码区SNP 功能的数据库：3DSNP: https://omic.tech/3dsnpv2/ 背景数据集介绍 在 3DSNP 当中，作者主要是通过Hi-c 的数据来观察这些 SNP 的 3D 的情况。 相互作用预测 在关于 SNP 的相互作用关系方面，首先观察了这个 SNP 上下 2kb 位置的基因是哪些 同时也基于三维基因组的数据分析了这个 SNP 在三维角度和哪些基因有关系 除了数据上的关系， 另外除了 SNP 和基因的关系也分析了 SNP 和其他 SNP 在三维上的关系 调控作用预测 首先作者基于 scATAC-seq 分析了 SNP 对于染色质开放状态的影响。 总的来说 以上就是 3D SNP 数据的主要功能了。在 3DSNP 结果的每一个部分都提供了结果下载的地方。可以下载相对应的预测结果。
1.3K11编辑于 2021-12-09 - 来自专栏天意云&天意科研云&天意生信云
AlphaFold3 一夜预测全球所有生物分子结构，荣登《Nature》首版
这使得AlphaFold 3能够精确地预测蛋白质、DNA、RNA、配体等生物分子的结构及其交互方式，这一突破性进展有望在治疗癌症、免疫疾病等领域提供关键帮助。 7R6R - DNA结合蛋白：AlphaFold 3对一个分子复合体的预测展现了蛋白质（蓝色）与DNA双螺旋（粉色）的结合，其预测结果与通过繁复实验得到的真实分子结构（灰色）高度吻合 8AW3 - RNA 修饰蛋白：AlphaFold 3对一个包含蛋白质（蓝色）、一条RNA（紫色）和两个离子（黄色）的分子复合体的预测与真实结构（灰色）非常吻合 AlphaFold 3的诞生，则让生物分子领域的研究拓展到了蛋白质之外 例如，AlphaFold 3对不存在的Tim-3免疫蛋白的结构进行了预测，其结果与实际结构高度一致。 [很高兴地宣布 AlphaFold 3 可以以最先进的精度预测几乎所有生命分子的结构和相互作用，包括蛋白质、DNA 和 RNA。
1.2K10编辑于 2025-03-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号