FusionProt是以色列理工学院与Meta AI联合开发的蛋白质表征学习框架，能够同时学习蛋白质的一维序列和三维结构。通过可学习的融合token实现信息的迭代交换，FusionProt在多个生物学任务中表现优异，展现了在药物研发和蛋白质功能解析中的应用潜力。

本研究探讨了多模态蛋白质语言模型在三维结构离散化中的信息损失问题，提出了改进的生成建模和结构感知架构，显著提升了结构生成的多样性和蛋白质折叠能力，推动了大规模模型的结构建模进展。

蛋白质的功能与其三维结构密切相关。科学家们开发了预训练的蛋白质语言模型ProSST，结合结构信息以提高预测准确性。ProSST在1,880万蛋白质结构数据上预训练，采用解耦注意力机制，显著提升了热稳定性和金属离子结合等任务的预测性能，成为蛋白质研究的重要工具。

本研究提出了DPLM-2模型，增强了蛋白质序列与结构关系的捕捉能力。DPLM-2是一种多模态模型，能同时学习和生成蛋白质的序列和三维结构。实验表明，该模型在生成任务中表现出色，提高了效率和兼容性。

本研究提出了一种简化自复制机器制作过程的新方法，通过构建块的一维链构造三维结构和机器，减少了复杂性和整体尺寸。

该文介绍了一种名为EMR-MSF的模型，通过监督学习范围内的网络架构设计，在两个时间连续的单目图像中理解三维结构和三维运动，并进一步通过相机运动聚合模块塑造出显式和强健的几何约束。该方法在KITTI场景流基准中将自监督单目方法的SF-all指标提高了44％，并在深度和视觉里程计等子任务以及其他自监督单一任务或多任务方法中展现出卓越的性能。

该研究提出了一种名为神经心脏运动场的新方法，通过内隐神经表示模拟心脏的三维结构和全面的六维前后运动，解决了心肌运动追踪方法的问题，具有在超声心动图视频输入中应用的优势。

该研究提出了一种使用LIDAR和单目相机感知航天器三维结构的方法，并使用SDCNet重建密集深度图。SDCNet在大规模卫星深度完成数据集上取得了比现有方法更好的成果，并完成了航天器的姿态估计实验。