數字虛擬人23年最新變化！
作者：小資來源：米塔之家自2021年元宇宙“爆炸”后，作為現實世界連接元宇宙的媒介之一，大批虛擬人跑步入場。到了2022年底，據天眼查數據顯示，我國目前企業名稱或經營范圍
3 月 1 日消息，微軟研究院于 2 月 20 日發布博文，宣布推出 AI 模型 BioEmu-1，能夠預測蛋白質隨時間推移的運動和形狀變化，在生物醫學、藥物發現和結構生物學領域帶來新可能。
借助 AI 探究蛋白質從形成肌肉纖維到保護我們免受疾病侵害，在幾乎所有生物過程中，蛋白質都發揮著至關重要的作用。
科學家近年來利用深度學習，在研究蛋白質結構方面已取得重大進展，能夠根據氨基酸序列準確預測蛋白質結構。然而，僅從氨基酸序列預測單一蛋白質結構就像觀看電影的單幀畫面，只提供了一個高度靈活分子的截圖。
微軟 BioEmu-1不同于 DeepMind 的 AlphaFold 專注于確定靜態蛋白質結構，BioEmu-1 模擬蛋白質在不同構象之間的動態轉換，為理解蛋白質運動、設計有效治療方案提供了新的工具。
AlphaFold 3 在結構生物學領域取得了重大進展，改進了蛋白質與 DNA、RNA 和小分子的相互作用模型，但它無法預測蛋白質隨時間的變化。
BioEmu-1 彌補了這一不足，它可以生成多個可能的構象，而不僅僅是單一的最佳擬合結構，這在藥物開發中尤為重要。
BioEmu-1 利用生成式深度學習，從大型數據集中學習模式，然后生成與這些模式一致的新樣本，通過結合靜態蛋白質結構、分子動力學模擬數據和實驗穩定性數據進行訓練。
BioEmu-1 的核心機制是一個擴散模型，它迭代地生成蛋白質結構并根據學習到的約束條件提高其準確性。BioEmu-1 的關鍵輸出是平衡系綜的預測和自由能預測。
BioEmu-1 使用三種類型的數據集進行訓練：（1）AlphaFold 數據庫 (AFDB) 結構；（2）廣泛的 MD 模擬數據集；（3）實驗性蛋白質折疊穩定性數據集。
通過這些數據集的訓練，BioEmu-1 可以識別蛋白質序列映射到多個不同結構，預測合理的結構變化，并學習以正確的概率對折疊和未折疊結構進行采樣。
BioEmu-1 每小時可生成數千個蛋白質結構樣本，相比需要數周時間的傳統分子動力學模擬，顯著加快了研究速度并降低了計算成本，其預測自由能的誤差幅度在 1 kcal / mol 以內，與傳統分子動力學模擬相當，但計算成本卻顯著降低。
附上參考地址
Exploring the structural changes driving protein function with BioEmu-1
Microsoft’s New BioEmu-1 AI Model Can Predict How Proteins Move and Change
Scalable emulation of protein equilibrium ensembles with generative deep learning
本文鏈接：http://www.rrqrq.com/showinfo-45-11295-0.html微軟 BioEmu-1 推動藥物研發：從“單幀畫面”到“電影”，AI 精準預測蛋白質結構變化
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：[email protected]
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：[email protected] 津ICP備18001702號
津公網安備 12010102000574號