


Kejayaan dalam penemuan ubat RNA, model asas RNA pertama mendedahkan teknologi pengukuran pada tahap lebih daripada 1 bilion nukleotida

Editor |. KX
Baru-baru ini, syarikat bioteknologi Atomic AI mengumumkan kejayaan pembangunan model bahasa berskala besar (LLM) pertama yang menggunakan data pemetaan kimia. Atomic AI menggabungkan teknik pembelajaran mesin termaju dengan biologi struktur terkini untuk menyelesaikan misteri penemuan ubat RNA
Penyelidik di Atomic AI telah mencipta komponen platform baharu yang memanfaatkan koleksi analisis makmal basah tersuai dalaman bagi data pemetaan kimia berskala besar. Para saintis mengumpul data mengenai berjuta-juta jujukan RNA dan membuat lebih daripada satu bilion pengukuran tahap nukleotida. Dilatih mengenai data ini, ATOM-1 membangunkan pemahaman yang kaya tentang RNA, yang kemudiannya boleh digunakan untuk mengoptimumkan sifat corak RNA yang berbeza.
Atomic AI menerbitkan artikel pada 14 Disember bertajuk "ATOM-1: Model RNA yang dibina berdasarkan data kimia " Struktur dan Fungsi" ialah kertas pracetak yang diterbitkan pada bioRxiv. Dalam makalah ini, Atomic AI menerangkan secara terperinci komponen platform ATOM-1™ mereka yang unik Model asas ini boleh meramalkan struktur dan fungsi RNA dengan tepat dan memainkan peranan penting dalam meningkatkan pembangunan terapi RNA
Dr. Manjunath Ramarao, ketua pegawai saintifik Atomic AI, berkata:
Model berasaskan RNA pertama yang dilatih pada data peta kimia"ATOM-1 mampu meramalkan aspek struktur dan berfungsi RNA serta corak RNA ciri-ciri utama, termasuk molekul kecil, vaksin mRNA, siRNA dan RNA bulat, untuk membantu dalam reka bentuk terapeutik yang cekap rakan kongsi untuk membantu. Sahkan sasaran dan alatan RNA mereka untuk akhirnya menyampaikan rawatan yang mereka perlukan kepada pesakit dengan cepat dan lebih berkesan," kata Dr. Stephan Eismann, Saintis Pengasas dan Pengarah Pembelajaran Mesin di Atomic AI. Membina set data nukleotida RNA yang besar pengubahsuaian dan penjujukan generasi akan datang, pasukan Atomic AI mencipta model berasaskan RNA yang pertama Kami teruja dengan penggunaan luas model kami kepada aspek penyelidikan RNA yang lain dan penggunaannya dalam mengoptimumkan ubat berasaskan RNA data RNA berkualiti tinggi yang tersedia, seperti kestabilan dan kecekapan terjemahan vaksin mRNA atau aktiviti dan ketoksikan ubat berasaskan RNA dan ubat sasaran RNA menjadi semakin popular. Mengoptimumkan terapeutik ini memerlukan pemeriksaan eksperimen yang memakan masa dan mahal, manakala reka bentuk rasional memerlukan pemahaman yang tepat tentang struktur dan fungsi RNA Sehingga kini, terdapat sedikit data RNA berkualiti tinggi yang tersedia untuk komuniti sains hayat. Kerana kaedah sedia ada, seperti model haiwan untuk mengumpul maklumat in vivo atau mikroskopi cryo-elektron (cryo-EM) untuk menentukan struktur RNA 3D, adalah sukar untuk digunakan dan memakan masa. Mengoptimumkan sifat terapeutik RNA utama, termasuk kestabilan, ketoksikan dan kecekapan terjemahan, telah mencabar kerana kekurangan data "sebenar"
Untuk menangani cabaran reka bentuk ini, Atomic AI melancarkan ATOM-1, model berasaskan RNA pertama yang dilatih pada data peta kimia, melalui strategi pengumpulan data yang dibangunkan khusus untuk latihan pembelajaran mesin. Menggunakan rangkaian neural probe kecil di atas benam ATOM-1, kami menunjukkan bahawa model ini telah membangunkan perwakilan dalaman RNA yang kaya. Dilatih dengan jumlah data tambahan yang terhad, rangkaian kecil ini mencapai ketepatan terkini pada tugas ramalan RNA utama, menunjukkan bahawa pendekatan ini boleh membolehkan reka bentuk terapeutik merentas seluruh medan RNA. ATOM-1 boleh meramalkan struktur sekunder dan tertiari RNA dengan lebih tepat daripada kaedah yang diterbitkan sebelum ini Terutama, dalam analisis retrospektif yang membandingkan ATOM-1 dengan alat pengiraan lain untuk reka bentuk vaksin, ATOM-1 mengatasi kesemua 1,600 kaedah lain untuk meramalkan kestabilan mRNA dalam larutan. Berdasarkan keputusan ini, model asas baharu boleh disesuaikan dengan data terhad untuk meramalkan sifat RNA yang berbeza, bukan sahaja menentukan struktur RNA tetapi juga meramalkan ciri utama terapeutik RNA yang lain. Selama dua setengah tahun yang lalu, kami sengaja mereka bentuk dan mengumpul data untuk melatih model asas kami, kata Dr. Raphael Townshend, pengasas dan Ketua Pegawai Eksekutif "Atomic AI". "Melalui pembelajaran mesin dan kecerdasan buatan generatif, kami kini mempunyai peluang unik yang ATOM-1 boleh ditala dengan sebilangan kecil titik data awal untuk meramalkan struktur dan fungsi RNA dengan ketepatan yang tinggi Atomic AI ialah syarikat bioteknologi baru muncul yang ditubuhkan pada Mei 2021 dan beribu pejabat di San Francisco Bay Area. Syarikat itu memberi tumpuan kepada memanfaatkan gabungan pembelajaran mesin dan biologi struktur untuk memajukan penemuan ubat RNA. Mereka telah membangunkan platform proprietari yang menggunakan model asas pembelajaran mendalam untuk meneroka dan mereka bentuk molekul kecil yang menyasarkan RNA, ubat berasaskan RNA dan alatan RNA Artikel berkaitan teknologi Atomic AI "Pembelajaran Dalam Geometri bagi Struktur RNA" ("Pembelajaran Mendalam Geometrik of RNA Structure" "pembelajaran mendalam tentang struktur RNA") telah muncul di muka depan majalah Science. Enjin PARSE Atomic AI ialah enjin struktur 3D RNA dipacu kecerdasan buatan yang boleh menjana set data struktur RNA . Dengan menggabungkan model asas daripada pembelajaran mesin dengan eksperimen dalaman berskala besar di makmal basah, enjin mampu mendedahkan pengikat berfungsi sasaran RNA Teknologi terobosannya meramalkan ligan berstruktur dan boleh diikat dengan kelajuan dan ketepatan motif RNA yang tidak pernah berlaku sebelum ini, yang merupakan halangan utama dalam kaedah penemuan ubat RNA semasa. Dengan menggabungkan algoritma lanjutan dan penyelidikan biologi eksperimen berskala besar, ubat-ubatan yang disasarkan RNA dan berasaskan RNA novel boleh direka bentuk untuk merawat penyakit yang pada masa ini tiada ubat yang dipasarkan Dengan memanfaatkan RNA 3D kami menemui dan mereka bentuk pangkalan data Struktur , Atomic AI merancang untuk memajukan pembangunan siri calon ubat molekul kecil yang direka secara rasional Atomic AI telah mengumpulkan sejumlah AS$42 juta dalam dua pusingan pelaburan, yang terbaru adalah pembiayaan Siri A pada Januari 2023.
Atomic AI telah mengumpul sejumlah $42 juta dalam pembiayaan dalam dua pusingan pelaburan, yang terbaru adalah pembiayaan Siri A pada Januari 2023 Atomic AI menerajui bidang biologi struktur yang dipertingkatkan kecerdasan buatan, dikuasakan oleh mesin Disokong oleh antara disiplin pasukan penyelidik pembelajaran, ahli kimia perubatan, jurutera dan ahli biologi eksperimen, serta penasihat saintifik strategik dan pelabur bertaraf dunia. Dengan menukar reka bentuk ubat RNA, mereka berjaya merawat penyakit yang tidak boleh dirawatZeng muncul di muka depan Science, Enjin struktur 3D RNA 3D dipacu AI milik Atomic AI
Atas ialah kandungan terperinci Kejayaan dalam penemuan ubat RNA, model asas RNA pertama mendedahkan teknologi pengukuran pada tahap lebih daripada 1 bilion nukleotida. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Pada tahun 2023, hampir setiap bidang AI berkembang pada kelajuan yang tidak pernah berlaku sebelum ini. Pada masa yang sama, AI sentiasa menolak sempadan teknologi trek utama seperti kecerdasan yang terkandung dan pemanduan autonomi. Di bawah trend berbilang modal, adakah status Transformer sebagai seni bina arus perdana model besar AI akan digoncang? Mengapakah penerokaan model besar berdasarkan seni bina MoE (Campuran Pakar) menjadi trend baharu dalam industri? Bolehkah Model Penglihatan Besar (LVM) menjadi satu kejayaan baharu dalam penglihatan umum? ...Daripada surat berita ahli PRO 2023 laman web ini yang dikeluarkan dalam tempoh enam bulan lalu, kami telah memilih 10 tafsiran khas yang menyediakan analisis mendalam tentang aliran teknologi dan perubahan industri dalam bidang di atas untuk membantu anda mencapai matlamat anda dalam bidang baharu. tahun. Tafsiran ini datang dari Week50 2023

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Retrosynthesis ialah tugas kritikal dalam penemuan ubat dan sintesis organik, dan AI semakin digunakan untuk mempercepatkan proses. Kaedah AI sedia ada mempunyai prestasi yang tidak memuaskan dan kepelbagaian terhad. Dalam amalan, tindak balas kimia sering menyebabkan perubahan molekul tempatan, dengan pertindihan yang besar antara bahan tindak balas dan produk. Diilhamkan oleh ini, pasukan Hou Tingjun di Universiti Zhejiang mencadangkan untuk mentakrifkan semula ramalan retrosintetik satu langkah sebagai tugas penyuntingan rentetan molekul, secara berulang menapis rentetan molekul sasaran untuk menghasilkan sebatian prekursor. Dan model retrosintetik berasaskan penyuntingan EditRetro dicadangkan, yang boleh mencapai ramalan berkualiti tinggi dan pelbagai. Eksperimen yang meluas menunjukkan bahawa model itu mencapai prestasi cemerlang pada set data penanda aras standard USPTO-50 K, dengan ketepatan 1 teratas 60.8%.

Editor |. ScienceAI Berdasarkan data klinikal yang terhad, beratus-ratus algoritma perubatan telah diluluskan. Para saintis sedang membahaskan siapa yang harus menguji alat dan cara terbaik untuk melakukannya. Devin Singh menyaksikan seorang pesakit kanak-kanak di bilik kecemasan mengalami serangan jantung semasa menunggu rawatan untuk masa yang lama, yang mendorongnya untuk meneroka aplikasi AI untuk memendekkan masa menunggu. Menggunakan data triage daripada bilik kecemasan SickKids, Singh dan rakan sekerja membina satu siri model AI untuk menyediakan potensi diagnosis dan mengesyorkan ujian. Satu kajian menunjukkan bahawa model ini boleh mempercepatkan lawatan doktor sebanyak 22.3%, mempercepatkan pemprosesan keputusan hampir 3 jam bagi setiap pesakit yang memerlukan ujian perubatan. Walau bagaimanapun, kejayaan algoritma kecerdasan buatan dalam penyelidikan hanya mengesahkan perkara ini
