AITOP

蛋白质设计

共 7 条相关 AI 资讯
8月20日
23:05
8月19日
23:56
23:56Gary Marcus@GaryMarcus
精选
Gary Marcus指出Anthropic最新宣传过度夸大Claude在蛋白质设计中的作用。Claude通过30k令牌专家提示和12,500 H100小时计算资源协调了PXDesign、RFdiffusion等开源模型，对15个目标中的14个设计了结合蛋白，命中率达22-35%，高于10-15%的基线。这些开源模型主要来自Baker实验室、哥伦比亚大学、MIT和字节跳动种子团队，多数已在湿实验室验证过。Marcus强调这些模型共享单一PDB形状的训练分布，无法通过组合消除盲点，且成功的目标都是已被充分研究的。
AI模型ClaudeAnthropic蛋白质设计
事件专题
推荐理由：Gary Marcus拆解Anthropic的蛋白质设计宣传，告诉你Claude真实贡献和开源模型的作用。
原文
22:43
11:48
11:48官方账号Anthropic@AnthropicAI
精选73°
Claude模型在蛋白质设计任务中表现出色，成功从零开始设计出针对14个目标的蛋白质结合物。这一过程仅需人类专家编写提示词，Claude便能自主完成设计工作。随后，Adaptyv Bio和Twist Bioscience公司独立验证了Claude设计的蛋白质功能。
AI模型Claude蛋白质设计de novo
事件专题
推荐理由：Claude能自己设计蛋白质了，比传统方法快多了，还和两家生物公司合作验证了效果。
原文
11:47
7月2日
01:53
5月21日
11:59
11:59官方账号arXiv cs.LG@Mansoor Ahmed, Sujin Lee, Umar Khayaz, Murray Patterson
精选
现有基于等变图神经网络（GNN）的抗体CDR设计方法虽然序列恢复率高，但存在严重的词汇坍塌问题，即过度预测少数氨基酸（如酪氨酸和甘氨酸），忽略功能重要的残基。EvoStruct通过交叉注意力适配器将冻结的蛋白质语言模型（PLM）与E(3)-等变GNN的3D结构上下文结合，并采用渐进式PLM解冻和R-Drop一致性正则化，专门解决CDR设计的词汇坍塌问题。在CHIMERA-Bench数据集上，EvoStruct相比最佳GNN基线，序列恢复率提升16%，困惑度降低43%，氨基酸多样性恢复提升2.3倍，且与真实结合对相关性最高。该方法为抗体设计提供了更准确、更多样化的序列生成能力。
论文蛋白质设计抗体CDR等变图神经网络
推荐理由：做抗体设计或蛋白质工程的团队，EvoStruct解决了GNN方法词汇坍塌的痛点，序列恢复和多样性双双提升，值得直接参考方法或复现实验。
原文