AI在线 AI在线

位点

召回率98.5%，开源混合学习系统精准预测生物大分子中金属结合位点

召回率98.5%，开源混合学习系统精准预测生物大分子中金属结合位点
编辑丨&金属离子是许多蛋白质中用于蛋白质功能推断和工程化的重要成分，其复杂性与结构催化等作用有关。 现如今的技术在应对过渡金属离子的建模，特别是在瞬时、可逆和浓度依赖性调节位点等难题时，显得有些乏力。 汕头大学医学院、湖南大学与美国弗吉尼亚大学（University of Virginia）带来了一种混合机器学习系统，名为 PinMyMetal（PMM）。
4/11/2025 2:13:00 PM
ScienceAI
分子对接速度提升10,000倍，深度图学习加速RNA虚拟筛选，助力药物靶标发现

分子对接速度提升10,000倍，深度图学习加速RNA虚拟筛选，助力药物靶标发现
编辑 | 萝卜皮RNA 是尚未开发的药物靶标的巨大宝库。 基于结构的虚拟筛选 (VS) 利用结合位点信息识别候选分子，传统上采用分子对接模拟。 然而，对接很难在大型化合物库和 RNA 靶标中扩展。
3/25/2025 12:01:00 PM
ScienceAI
湖畔实验室AI加速棉花品种改良：解析近3亿DNA甲基化数据，找到43个关键基因

湖畔实验室AI加速棉花品种改良：解析近3亿DNA甲基化数据，找到43个关键基因
棉花产量与纤维品质如何受到DNA甲基化调控？ 在AI的帮助下，中国棉花育种专家成功破译这一“密码本”，并从中找出有望改良棉花品种的关键基因位点。 近日，由浙江大学棉花精准育种团队、中国农科院生物技术所和湖畔实验室（阿里巴巴达摩院）智慧育种团队组成的联合科研团队，综合运用遗传学、生物大数据和AI技术，构建了涵盖207个品种的棉花全基因组DNA甲基化图谱，鉴定2.87亿个单甲基化多态性（SMP）位点，规模为目前所有作物之最。
10/24/2024 10:52:00 AM
新闻助手
机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符

机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符
编辑 | KX低成本、高效的催化剂高通量筛选对于未来的可再生能源技术至关重要。可解释的机器学习通过提取物理意义来加速催化剂设计，但面临着巨大的挑战。近日，天津大学巩金龙教授、赵志坚教授、张鹏教授团队开发了一种通用且可解释的描述符模型 ARSC，用于统一多种电催化反应的活性和选择性预测。该模型仅利用易于获取的内在属性，成功地解耦了双原子位点的原子属性（A）、反应物（R）、协同（S）和配位效应（C）。在 ARSC 的驱动下，研究人员可以快速找到各种产品的最佳催化剂，而无需进行 50,000 多次密度泛函理论计算。该模型
9/26/2024 2:36:00 PM
ScienceAI
Nature子刊，川大团队机器学习结合MD，预测蛋白质变构，助力药物研发

Nature子刊，川大团队机器学习结合MD，预测蛋白质变构，助力药物研发
编辑 | 萝卜皮变构药物为现代药物设计提供了一条新途径。然而，识别隐蔽的变构位点是一项艰巨的挑战。四川大学蒲雪梅教授、邵振华研究员团队提出了一种先进的计算流程，结合残基驱动的混合机器学习模型（RHML）和分子动力学（MD）模拟，成功识别出了变构位点、变构调节剂，并揭示了它们的调控机制。具体而言，在 β2 肾上腺素能受体（β2AR）中，团队发现了位于残基 D79^2.50、F282^6.44、N318^7.45和S319^7.46 附近的一个新的变构位点及潜在调节剂 ZINC5042。通过分子力学/广义 Born 表
9/25/2024 4:22:00 PM
ScienceAI
提速1400倍，准确标注酶活性位点，浙大、澳门理工多模态深度学习方法，登Nature子刊

提速1400倍，准确标注酶活性位点，浙大、澳门理工多模态深度学习方法，登Nature子刊
编辑 | 萝卜皮注释酶中的活性位点对于药物发现、疾病研究、酶工程和合成生物学等多个领域的发展至关重要。尽管已经开发出许多自动注释算法，但速度和准确性之间的重大权衡限制了它们的大规模实际应用。浙江大学、澳门理工大学等机构的联合研究团队引入了 EasIFA，一种酶活性位点注释算法，它融合了来自蛋白质语言模型和 3D 结构编码器的潜在酶表示，然后使用多模态交叉注意框架将蛋白质水平信息与酶促反应知识对齐。EasIFA 比 BLASTp 速度提升 10 倍，召回率、准确率、f1 分数和 MCC 分别提升 7.57%、13.0
8/30/2024 5:00:00 PM
ScienceAI
比传统方法高30倍，中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点

比传统方法高30倍，中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点
编辑 | 萝卜皮糖类是自然界中最丰富的有机物质，对生命至关重要。了解糖类如何在生理和病理过程中调节蛋白质，可以为解决关键的生物学问题和开发新的治疗方法提供机遇。然而，糖类分子的多样性和复杂性，对实验识别糖-蛋白质结合以及相互作用的位点提出了挑战。在这里，中国科学院团队开发了一种深度学习模型 DeepGlycanSite，它能够准确预测给定蛋白质结构上的糖结合位点。DeepGlycanSite 将蛋白质的几何和进化特征融入具有 Transformer 架构的深度等变图神经网络中，其性能显著超越了之前的先进方法，并能有
6/25/2024 7:15:00 PM
ScienceAI
  • 1