De-novo蛋白设计是药物研发的关键方法。麻省理工学院与Boltz等机构合作开发的全原子生成模型BoltzGen，能够在原子级别实现蛋白折叠与结合体设计，显著提高了分子设计的效率与可控性。该模型在多模态生物分子设计中表现优异，成功设计出高亲和力结合体，推动了药物发现与生物分子工程的发展。
美国空军计划购买两辆特斯拉Cybertruck进行靶车训练，以测试其在军事用途中的抗击打能力。此举源于对未来敌方可能使用Cybertruck的担忧，空军希望通过实战模拟评估其性能，尽管Cybertruck的销售情况不佳，但可能为其在军事领域的应用开辟新机会。
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。
本研究提出了一种人工智能引导的抗生素发现管道，以应对抗生素耐药性危机。通过结构聚类分析病原体的预测蛋白组，识别重要靶标，并评估六种3D结构生成模型的实用性，为抗生素开发提供参考和蓝图。
麦吉尔大学等机构开发的RNAmigos2是一种基于结构的RNA虚拟筛选方法，其速度比传统对接快一万倍，能够有效筛选化合物。这一方法在RNA药物发现中尤为重要，特别是针对ncRNA和肿瘤靶点，研究成果已公开，推动了RNA药物的开发。
本研究提出了一种新方法，解决药物-靶标相互作用预测中的数据稀缺问题。通过设计两个专家处理内外部数据，利用未标记数据增强协同作用，实验结果表明该模型在数据稀缺情况下显著优于现有方法，改进幅度最高达53.53%。
该研究评估了药物靶标相互作用预测方法的泛化性和性能夸大问题，并提出了一种新的负边缘子采样策略。研究结果为未来的基准测试和模型设计提供了基础。
完成下面两步后，将自动完成登录并继续当前操作。
