标签
本文提出了一个框架，将部分可观测马尔可夫决策过程与生化反应动力学联系起来，用于建模单细胞藻类的趋光性，并利用逆向强化学习从实验轨迹中推断行为目标。
Nabla Bio发布了JAM-2，这是一个用于零样本药物设计的模型，实现了原子精度、计算设计的多特异性抗体以及双变异KRAS多特异性抗体，具有高效力和选择性，并通过冷冻电镜和湿实验室实验进行了验证。
介绍了ProHiFlo，一种用于从头蛋白质生成的分层流匹配框架，具有从粗到细的生成、功能引导和SE(3)等变架构，以4倍更少的采样步骤实现了最先进的性能。
Anthropic的科学博客认为，AI在生物学领域的进展落后于编程，因为生物数据基础设施并非为智能体设计。一项案例研究表明，添加确定性检索层（gget病毒）可将准确率提升至接近100%。
介绍了ShallowBench，一个精心整理的包含5,780个浅口袋蛋白质靶标的基准测试，用于评估针对如KRAS和MYC等具有挑战性的低口袋性靶标的生成式药物设计模型。
BlockFormer引入了一种变压器架构，用于从块结构交互图（例如，从Hi-C数据中识别着丝粒）中解决逆问题，并使用自定义模拟器生成合成训练数据。
本文正式将基于转录组的药物设计（TBDD）形式化为一个生成式逆问题，并提出了CURE——一个多分辨率转录组引导的扩散框架，能够生成以所需转录组状态转变为条件的药物分子。
本博士论文介绍了用于蛋白质复合物预测和设计的深度学习方法，包括用于接触预测的 GLINTER、用于同源配对的 ESMPair 以及用于结合子设计的 RedNet。
本文提出了一种利用单细胞基础模型进行通用基因调控网络（GRN）推断的新范式，并引入了虚拟值扰动和梯度轨迹方法来提炼调控知识。
本文旨在作为药物设计中蛋白质先导化合物优化的初学者指南，具体解释了 Cradle-1 流程以及蛋白质结构和功能的基础概念。
本文介绍了一种具有新颖“胚系吸收”特性的离散扩散模型，以改善抗体序列的条件生成。该模型解决了蛋白质语言模型中的胚系偏差问题，并在优化抗体结合亲和力和可开发性方面表现出优于现有方法（如 EvoProtGrad）的性能。
本文介绍了CodonRoBERTa的开发过程，这是一种在25个物种间进行训练的mRNA密码子优化语言模型，重点展示了一个包含蛋白质折叠和序列设计的经济高效流程。
MIT研究人员开发了名为VibeGen的AI模型，该模型基于蛋白质的动态运动和力学特性进行设计，而非仅依赖静态结构。这种方法能够创造出具有特定振动和弯曲行为的蛋白质，推动了生成式AI在科学领域的发展。