A General Harness for Protein Foundation Model Fitness Prediction
蛋白质适应度预测是蛋白质工程和序列-功能关系理解的核心问题。随着深度学习的发展,蛋白质基础模型被广泛用于此任务,但近期分析表明这些模型存在训练语料偏好,且不可靠输入会扭曲预测结果。家族特异性进化证据和结构上下文可以提供互补约束,从而弥补这些局限。 本文提出VenusREM-Harness(VRH),一种通用、模...
蛋白质适应度预测是蛋白质工程和序列-功能关系理解的核心问题。随着深度学习的发展,蛋白质基础模型被广泛用于此任务,但近期分析表明这些模型存在训练语料偏好,且不可靠输入会扭曲预测结果。家族特异性进化证据和结构上下文可以提供互补约束,从而弥补这些局限。 本文提出VenusREM-Harness(VRH),一种通用、模...
细胞在体内经历过哪些信号及其顺序决定发育和命运,但逐个组织做扰动实验成本高、通量低,现有配体受体方法也更接近信号潜力而非细胞实际响应历史。 作者构建人源胚胎干细胞的顺序组合信号扰动图谱,并训练IRIS条件变分自编码器与分类网络,从转录组学习可跨细胞类型迁移的信号响应签名,再把它应用于体内单细胞图谱。 五套扰动屏...
单细胞和空间转录组学技术快速发展,产生海量数据,但现有流程无法直接搜索原始序列,只能保留基因或异构体计数,限制了序列层面的发现。 本文提出Malva计算平台,实现超快速、物种无关、无需参考基因组的原始序列空间查询,支持任意序列、突变、剪接位点、病原体或空间位置的搜索。 Malva索引目前包含约7400万个细胞...
药物组合治疗可降低耐药性风险,但组合空间巨大,传统筛选成本高、耗时且常不可行。现有预测模型依赖分子谱和逐队列训练,在时间和样本稀缺时受限。 ScreenShot 是一种分层Transformer,预训练于40个药物筛选数据集,架构模拟筛选数据的嵌套结构。通过上下文学习,可在仅少量新患者观测数据下预测组合治疗反应...
现有结构预测网络基于共进化统计,在蛋白质药物发现中表现优异,但对含非规范残基、大环化和复杂拓扑的肽治疗剂准确性不足,而肽类药物正成为重要模态。 本文提出Vilya-2,一个基于扩散Transformer的模型,扩展了Vilya-1的全原子表示,从单分子建模转向分子与蛋白质靶标的相互作用建模,实现不同分子类型间的...
纵向电子健康记录包含跨数十年的疾病轨迹,但传统分析通常逐病种建模,难以同时解释多病共现、年龄变化和遗传风险。 研究提出ALADYNOULLI贝叶斯生成框架,联合诊断时间序列、年龄与多基因风险,学习随时间变化的疾病签名和患者个体负载,并用于遗传发现与疾病预测。 在三个独立队列、超过68.3万人、最长52年随访和3...
数字病理学中,从全切片图像预测生物标志物面临计算效率低下的问题,现有方法处理大量冗余图块并需要复杂聚合模型。 本文提出EAGLE框架,模仿病理学家选择性分析信息区域,结合任务无关的图块选择与详细特征提取。 在涵盖9种癌症类型的43项任务上,EAGLE相比图块聚合方法性能提升高达23%,每张切片处理仅需2.27秒...
问题与背景:传统药物发现依赖已知化合物库,难以设计全新分子结构来逆转特定疾病表型。论文提出从转录组层面定义治疗目标——"逆转疾病相关转录特征"——并以此驱动 de novo 化合物设计,突破了候选药物空间边界。 方法/新意:开发深度学习框架,联合建模"转录特征逆转"与"化合物生成"两个目标,通过课程学习策略优化...