机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

蛋白质结合剂在疾病诊断和药物递送中至关重要。阿布扎比和硅谷的研究团队提出的新模型Prot42，仅依赖蛋白质序列生成高亲和力结合剂，显著提高了蛋白质设计的效率。

阿尔茨海默病等神经退行性疾病与蛋白质-RNA结合异常有关。研究者提出CoPRA模型，通过结合蛋白质和RNA的语言模型，预测结合亲和力，取得了优异的性能，推动了生物医学研究的进展。

本研究提出了一种基于内部表示的统一度量——亲和力与多样性，以解决演示选择方法在不同优化目标下的不一致性问题。实验结果表明，该度量与测试准确率显著相关，促进了演示选择的一致性。

本研究解决了药物-靶点亲和力预测中的局部信息不足和特征融合效率低下的问题。提出的ViDTA框架通过引入虚拟节点与注意力机制线性特征融合网络，有效整合药物分子的局部和全球特征。实验结果表明，ViDTA在多个基准测试上超越了现有的最先进方法，展示了其在药物发现中的重要潜力。

本研究提出DapPep框架，结合轻量级自注意力架构与预训练蛋白质语言模型，增强T细胞受体与抗原性肽结合的预测能力，尤其在数据稀缺的情况下，展现出临床应用潜力。

该研究探讨了深度学习在机器人手术中器械分割的应用，提出了多种新方法以提高分割精度和效率。研究表明，现代深度学习技术在器械分割任务中表现优异，结合不同方法可显著提升准确性。此外，研究提出的无监督分割方法减少了对人工标注的依赖，展现了在临床应用中的潜力。未来应关注自动化处理和技术扩展。

DeepMind发布了AlphaProteo，用于新型蛋白质设计，能够生成高成功率、高亲和力的靶蛋白结合剂。AlphaProteo在7种靶蛋白上表现出色，比现有方法高出3到300倍。研究人员将其应用于癌症和糖尿病相关的靶蛋白VEGF-A上，取得了突破。AlphaProteo无需复杂人工干预，可大大减少设计蛋白质结合剂的实验时间。与AlphaFold相辅相成，有望加速AI药物设计的落地。

本研究旨在解决当前机器学习方法无法准确表示具有局部变异的晶体结构的问题。提出的新方法Zeoformer能够有效表示粗粒度的晶体周期性和细粒度的局部变异性，进而准确预测OSDA-沸石对的性质。研究结果表明，Zeoformer在OSDA-沸石对数据集上表现出最佳性能，具有潜在的应用价值。

本文介绍了多种基于深度学习和图神经网络的蛋白质结合位点分子生成与亲和力预测方法。这些方法通过优化结构表示和先进的嵌入技术，显著提高了分子设计的准确性和效率，实验结果优于传统算法。

本文提出了HGRL-DTA、GDGRU-DTA和GraphCL-DTA等新方法，用于药物靶标亲和力预测。这些方法结合深度学习和图表示学习技术，显著提高了预测准确性和模型泛化能力，为药物设计和发现提供了有效工具。