谷歌量子AI与Google.org推出了名为REPLIQA的生命科学与量子AI交叉研究计划，投资1000万美元支持五所领先学术机构的研究。该计划旨在利用量子技术和AI解决生物学中的复杂问题，如蛋白质折叠和细胞反应，推动生物科学的新发现。

AlphaGo展示了AI在科学中的潜力，推出的AlphaFold 2解决了蛋白质折叠问题，助力300万研究者加速科研。未来，通用AI系统将整合多种工具，推动科学发现，向AGI目标迈进。

本研究提出了一种结合深度Q网络与注意力机制的新方法，克服了传统亲水-疏水模型在蛋白质折叠中的局限性。该方法在短序列实验中表现最佳，在长链上接近最优，展示了注意力强化学习在蛋白质折叠中的应用潜力。

本文探讨了深度学习与分子动力学模拟结合的应用，提升了蛋白质折叠效率。研究者通过卷积神经网络和生成模型实现了更真实的蛋白质结构重建，并提出了Ophiuchus模型，优化了蛋白质建模和生成过程。4D扩散模型在动态蛋白质结构预测中表现出色，推动了对蛋白质功能关系的理解。

本研究介绍了基于深度神经网络的分子模拟方法，包括Deep Potential Molecular Dynamics（DeePMD）和得分动力学（SD），显著提高了蛋白质折叠和分子动力学模拟的效率与准确性。通过结合机器学习与传统模拟，研究在超级计算机上实现了更快的计算速度和更好的性能，推动了生物化学领域的探索。

本研究提出了一种新型扩散生成模型，用于模拟蛋白质折叠过程并生成高质量蛋白质结构。通过多种方法提高预测精度，尤其在药物发现领域表现突出，并引入动态数据集以增强模型性能。

FoldingZero框架利用深度强化学习实现了2D HP结构蛋白质的自我折叠，展示了在蛋白质折叠领域的应用潜力。研究还提出了基于QUBO模型的RNA三维结构预测、结合EvoGen与AlphaFold2的低数据蛋白质结构预测，以及PiFold的快速结构恢复能力，为蛋白质和RNA建模提供了新思路和工具。

本文探讨了深度学习在蛋白质折叠识别和设计中的应用，特别是卷积神经网络在蛋白质序列分类、局部二级结构预测及结构评分方面的表现。研究表明，深度学习方法显著提高了分类精度和序列一致性，推动了计算蛋白质设计的发展。

本文介绍了机器学习和深度学习在生物领域的应用，重点是蛋白质折叠。但预测基因组中复杂性状的问题却受到较少关注。文章提供了最先进模型和相关问题的概述，以作为预测表型的新模型开发时的参考。以身高作为连续值表型的例子介绍了基准数据集、混杂因素、特征选择和评估指标。

本研究探索了神经网络训练算法与自然过程如蛋白质折叠和进化之间的相似性，并使用统计物理中的Fokker-Planck方法将它们在一个统一的框架下探索。研究了系统的稳态和熵产生率，并验证了涉及到这些数值的图谱存在扰动定理。提出了一种新的随机梯度Langevin动力学（SGLD）算法，可以应用于贝叶斯机器学习中从后验分布中获取网络权重。