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，旨在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，这两者与测试准确率显著相关，从而促进了一致性。

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。

本研究提出了一种无标签的无监督模型，针对复杂内镜场景中的外科器械分割问题。通过多视图归一化切割器和图切割损失函数，显著提升了模型的效果和泛化能力，实验结果在多个数据集上表现优异。

本研究提出了一种名为LBA-MCNet的显著对象检测器，旨在提高光学遥感图像中边界特征识别和前景背景建模的效率。实验结果表明，该方法在28种检测方法中表现优异。

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。

通过结合药物的三维蛋白质结构特征、传统特征和药物结构，研究提出了GraphPrint框架用于预测药物靶标的亲和力。实验结果表明，该模型性能优于仅使用传统蛋白质特征的方法。消融研究显示，基于三维蛋白质结构的特征提供了与传统特征互补的信息。