暂无搜索历史
实现治疗性抗体的临床应用,需要在多个关键属性之间取得平衡,包括抗原结合特异性、黏度、清除率以及免疫原性等。然而,现有方法往往依赖多步筛选或单一目标优化,难以同时...
在药物发现的计算流程中,有一个常常被忽略、却至关重要的环节——如何将分子"翻译"成计算机可以学习的语言。这个过程,就是分子表示(Molecular Repres...
随着基因组数据的快速积累,研究人员对成熟RNA关键功能属性的预测能力仍然有限。为此,研究人员提出了一种新型RNA基础模型Orthrus,该模型基于对比学习进行自...
单细胞数据的可视化是理解细胞异质性与动态变化的关键步骤。然而,当前主流降维方法虽然能够揭示聚类结构,却往往丢失基因层面的关键信息。研究人员提出了一种新的流形学习...
错义突变是影响人类疾病表型的重要遗传因素,但其具体表型后果仍然难以系统解析。研究人员提出了一种基于深度学习的计算框架 PheMART,用于预测错义突变的临床表型...
2026年3月17日,克里特大学、哈佛大学、哥本哈根大学等机构的研究人员在《Nature Biotechnology》上发表文章,题为“Innovation a...
在过去几十年中,蛋白质工程逐渐发展为一个独立学科,其进步主要依赖于计算建模与高通量实验技术,并广泛应用于治疗、诊断、农业和制造等领域。近年来,人工智能的引入进一...
随着测序技术的爆发式发展,蛋白质序列数据规模在短短数十年间增长了数十亿倍。面对这一数据洪流,多序列比对(MSA)作为理解蛋白质进化关系、结构和功能的核心工具,正...
理解分子的结构、动力学行为以及反应过程,往往需要跨越多个时间尺度。然而,传统分子动力学模拟虽然具有原子级分辨率,却受限于飞秒级时间步长,难以捕捉缓慢的构象变化和...
研究人员提出了一种整合多种计算方法的策略,用于在全蛋白组尺度上预测蛋白–蛋白相互作用,并构建功能网络。该方法融合了三类互补信息来源:基于三维结构的PrePPI方...
人工智能正在通过提供适应生物系统复杂性的可扩展计算框架,重塑生物医学研究。在这一变革中,生物/化学语言模型,尤其是大语言模型,正在将分子结构重新定义为一种可以被...
在结构基础药物设计中,针对柔性蛋白口袋进行分子设计一直是一个极具挑战性的问题,因为蛋白在配体结合过程中往往会发生构象变化。尽管近年来基于深度学习的分子生成方法取...
化学合成至今仍然类似于“手工艺”,每一个目标分子都需要定制化设备、临时设计的实验方案以及大量试错过程。研究人员指出,这并不是化学本身的固有限制,而是缺乏统一计算...
研究人员提出了一种名为 Sequence Display 的新型实验平台,可在单次实验中生成大规模蛋白序列–活性数据集。该方法通过将蛋白变体的功能活性编码为相邻...
在计算机辅助药物发现中,生成具有真实可合成路径的新型类药分子是一个关键目标。然而,当前的生成模型往往缺乏对化学合成过程的认知,导致生成的分子难以甚至无法在实验中...
研究人员提出了一种全新的人工智能评估框架,通过构建“通用尺度”,实现对AI系统能力的可解释分析与对未来任务表现的准确预测。该方法突破了传统基准测试仅依赖平均性能...
传统以动物模型为核心的药物研发体系长期面临极高的失败率,这促使研究人员不断探索更加以人为中心的新方法学(NAMs)。近年来,基于干细胞、类器官以及计算模型的技术...
噬菌体是地球上数量最多的生物实体之一,而细菌为了抵御其感染,进化出了复杂的先天免疫系统。这些系统不仅在生物学上具有重要意义,还被广泛应用于生物技术领域。然而,目...
蛋白序列空间中功能序列的分布对于进化理论与蛋白设计具有基础性意义,尤其是在尚未被进化探索的区域中可能隐藏着丰富的新功能。研究人员针对一个核心问题展开研究:现存蛋...
单序列蛋白结构预测因无需依赖同源信息而具有重要应用价值,但其精度长期受限。研究人员提出TDFold,一种基于二维几何模板扩散的新方法,通过生成高质量的残基间几何...
暂未填写公司和职称
暂未填写所在城市