文章讨论了正确同步实现（如锁）的要求，强调安全性和活性的重要性。安全性确保在任何时刻只有一个进程可以进入临界区，从而避免多个进程同时访问。

清华大学研究团队提出了蛋白质基座模型AMix-1，利用贝叶斯流网络和系统化训练方法，解决了蛋白质设计中的可扩展性和功能优化问题。该模型通过上下文学习和扩展算法，显著提高了蛋白质生成的效率和准确性，为未来的蛋白质设计开辟了新路径。

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。

本研究提出了一种教师-学生多任务框架，以应对脓毒症预测中的挑战，提升了对血管活性药物评分数据的适应性，AUROC达到0.82，强调了临床和社会因素在重症监护中的重要性。

上海交通大学研究团队开发了PRIME模型，能够在没有实验数据的情况下预测蛋白质突变的性能，从而提高其稳定性和活性。该模型基于温度感知语言模型，利用4.7亿条蛋白质序列数据，显著提升了预测准确性，推动了蛋白质工程的发展。

人工智能驱动的药物设计方法可以改善全新药物设计过程，研究对小分子和蛋白质生成进行分类和模型性能比较，讨论了并行挑战和未来方向。

中国科学院天津工业生物技术研究所的研究人员开发了一种新型P450酶设计方法P450Diffusion，通过扩散模型和口袋设计原则成功生成了比自然界P450酶更活性更稳定的新酶。研究人员还剖析了P450酶进化过程中新功能的起源机制，并提出了「三点固定原则」。该研究为新功能P450酶设计提供了新思路，有望在生物工程和工业催化领域发挥作用。

中国科学院天津工业生物技术研究所的新酶设计团队开发了一种基于扩散模型和口袋设计原则的P450酶从头设计方法P450Diffusion。该方法通过解析P450酶黄酮6-羟化酶的口袋设计原则，生成了比自然界P450酶活性更好、稳定性更高的新酶。研究结果表明，P450Diffusion能够捕捉催化口袋的基本设计原则，并从P450酶序列空间中筛选出比天然序列更好的P450酶。这一方法有望在生物工程和工业催化等领域发挥作用，并推动新型酶的开发和应用。

在药物发现过程中，计算模型是宝贵的工具，可以预测药物 - 靶标相互作用，以加速新疗法的开发。本研究比较了不同用于模型超参数调整的度量标准，探讨了哪种模型选择策略可以实现良好校准的模型。此外，我们提出了一种计算高效的贝叶斯不确定性估计方法，名为贝叶斯线性探测（BLP），通过生成 Hamiltonian Monte...

研究中介绍了一种基于神经网络的数据驱动框架，通过适应性地拟合动态正电子发射断层图像中的时间 — 活动曲线，从观察数据中直接校准了扩散系数和反应项，特别是在复杂生物场景中，相较传统方法显著提高了预测精度和鲁棒性，并更准确地对放射性药物的时空动态进行建模，从而推进了药代动力学和药效学过程的定量核医学建模。