自上世纪以来，科学家们一直在研究基于氨基酸序列预测蛋白质结构。近年来，AI技术的快速发展，特别是Proteina模型的出现，显著提高了蛋白质设计的效率和多样性。该模型通过大规模训练和创新架构，能够生成更长的蛋白质主链，推动了蛋白质设计的进步。

本研究提出了ExPath框架，旨在识别生物知识库中的靶向通路，特别是在整合湿实验数据时。通过引入氨基酸序列数据和图学习技术，ExPath能够有效分类生物网络并发现重要的靶向通路，实验结果表明该框架在生物学上具有重要意义。

本研究提出了一种新方法DMRA，通过融合表示对齐的扩散模型，显著提升了蛋白质逆折叠中氨基酸序列预测的准确性，超越了现有的领先方法。

上海交通大学AI for Bioengineering暑期学校圆满结束。洪亮教授分享了AI在蛋白设计领域的应用，表示AI能改造氨基酸序列并保持活性和阳性率。未来3年，通用人工智能将带来范式变革，转变科学发现模式为AI自动化设计模式。洪亮教授团队通过AI蛋白质设计大模型，成功改造多款蛋白，提升生产力。团队与高校和企业深度合作，具备新数据、自主模型和产品落地的核心优势。

中国科学院深圳先进技术研究院的罗小舟团队提出了基于酶动力学参数预测框架(UniKP)的研究，通过酶的氨基酸序列和底物的结构信息预测酶动力学参数。研究团队还提出了基于UniKP的双层框架EF-UniKP，可以更准确地预测酶动力学参数。研究结果已发表于Nature Communications，验证数据集证明了UniKP和EF-UniKP的准确性和稳健性。这项研究对酶促反应动力学的研究和应用具有重要意义。