开启了RNA药物研发的大门：首个RNA基础模型解码测量超过10亿个核苷酸水平
编辑|KX近日，生物技术公司AtomicAI宣布成功开发出了第一个利用化学制图数据的大型语言模型（LLM）。AtomicAI将先进的机器学习技术与最新的结构生物学相结合，旨在破解RNA药物的发现之谜AtomicAI的研究人员创建了一个新的平台组件，利用内部使用定制湿实验室分析收集的大规模化学作图数据。科学家们收集了数百万条RNA序列的数据，并进行了超过10亿个核苷酸水平的测量。通过这些数据的训练，ATOM-1对RNA有了丰富的了解，然后可以用来优化不同RNA模式的特性。AtomicAItwitter地址：
编辑 | KX
近日，生物技术公司Atomic AI 宣布成功开发出了第一个利用化学制图数据的大型语言模型（LLM）。Atomic AI 将先进的机器学习技术与最新的结构生物学相结合，旨在破解 RNA 药物的发现之谜
Atomic AI 的研究人员创建了一个新的平台组件，利用内部使用定制湿实验室分析收集的大规模化学作图数据。科学家们收集了数百万条 RNA 序列的数据，并进行了超过 10 亿个核苷酸水平的测量。通过这些数据的训练，ATOM-1 对 RNA 有了丰富的了解，然后可以用来优化不同 RNA 模式的特性。
Atomic AI在12月14日发布了一篇题为《ATOM-1：基于化学图谱数据构建的RNA结构和功能的基础模型》的预印本论文，这篇论文发表在bioRxiv上。在这篇论文中，Atomic AI详细描述了他们独有的ATOM-1™平台组件，这个基础模型能够准确预测RNA的结构和功能，对于改善RNA疗法的开发具有重要作用
Atomic AI 首席科学官 Manjunath Ramarao 博士说：
「ATOM-1 能够预测 RNA 的结构和功能方面以及 RNA 模式的关键特征，包括小分子、mRNA 疫苗、siRNA 和环状 RNA，以帮助有效设计治疗方法。我们的目标是创建一个简化的药物发现流程，以推进我们自己的管道，并与合作伙伴合作，帮助验证他们的 RNA 靶点和工具，最终快速、更有效地为患者提供所需的治疗方法。」
Atomic AI 创始科学家兼机器学习主管 Stephan Eismann 博士表示：
「通过构建基于 RNA 核苷酸修饰和下一代测序的大型数据集，Atomic AI 团队创建了首个 RNA 基础模型。我们对我们的模型在 RNA 研究的其他方面的广泛应用以及它优化基于 RNA 的药物的各种特性的潜力感到兴奋，例如 mRNA 疫苗的稳定性和翻译效率或 siRNA 的活性和毒性。」
基于 RNA 的药物和 RNA 靶向药物正成为治疗疾病的有前途的新方法。优化这些疗法需要进行耗时且昂贵的实验筛选，而合理的设计则需要准确理解 RNA 的结构和功能
迄今为止，生命科学界几乎没有可用的高质量RNA数据。因为现有的方法，如用于收集体内信息的动物模型或用于确定3D RNA结构的冷冻电子显微镜（cryo-EM），难以使用且耗时。由于缺乏「真实」数据，优化关键RNA治疗特性（包括稳定性、毒性和翻译效率）一直具有挑战性
首个在化学图谱数据上训练的 RNA 基础模型
为了应对这一设计挑战，Atomic AI 推出了 ATOM-1，这是第一个在化学图谱数据上训练的 RNA 基础模型，通过专门为机器学习训练开发的数据收集策略来实现。在 ATOM-1 嵌入之上使用小型探针（probe）神经网络，证明该模型已经开发了丰富的 RNA 内部表示。经过有限数量额外数据的训练，这些小型网络在关键 RNA 预测任务上实现了最先进的准确性，这表明这种方法可以实现整个 RNA 领域的疗法设计。
ATOM-1 能够更精确地预测 RNA 的二级和三级结构，相较于之前发表的方法
值得注意的是，在比较 ATOM-1 与其他疫苗设计计算工具的回顾性分析中，ATOM-1 优于所有 1,600 种其他预测溶液内 mRNA 稳定性的方法。基于这些结果，新的基础模型可以用有限的数据进行调整，以预测 RNA 的不同特性，不仅可以确定 RNA 的结构，还可以预测 RNA 疗法的其他关键特征。
在过去的两年半中，我们一直有目的地设计和收集数据来训练我们的基础模型，"Atomic AI" 创始人兼首席执行官 Raphael Townshend 博士表示。"通过机器学习和生成人工智能，我们现在有了一个独特的机会，ATOM-1 可以通过少量的初始数据点进行调整，以高精度预测 RNA 的结构和功能。"
曾登 Science 封面，Atomic AI 专有的 AI 驱动 3D RNA 结构引擎
Atomic AI 是一家新兴的生物技术公司，成立于2021年5月，总部位于旧金山湾区。该公司专注于利用机器学习和结构生物学的融合来推进RNA药物发现。他们开发了一个专有平台，利用深度学习基础模型来探索和设计RNA靶向小分子、基于RNA的药物和RNA工具
Atomic AI 的技术的相关文章《RNA 结构的几何深度学习》（「Geometric deep learning of RNA structure」）已登上《Science》杂志封面。
Atomic AI 的 PARSE 引擎是一种使用人工智能驱动的3D RNA 结构引擎，它能够生成 RNA 结构数据集。通过将机器学习的基础模型与湿实验室的大规模内部实验相结合，该引擎能够揭示 RNA 靶标的功能结合物
其突破性技术能够以前所未有的速度和准确性预测结构化、可配体的 RNA 基序，这是当前 RNA 药物发现方法的一个关键障碍。
通过结合先进的算法和大规模的实验生物学研究，可以设计出新型的RNA靶向药物和基于RNA的药物来治疗当前没有已上市药物的疾病
通过利用我们发现并设计的3D RNA结构数据库，Atomic AI计划推进一系列合理设计的小分子候选药物的开发
Atomic AI 在两轮投资中筹集了总计 4200 万美元的资金，最新一轮融资于 2023 年 1 月获得 A 轮融资。 Atomic AI 在两轮投资中筹集了总计 4200 万美元的资金，最新一轮融资于 2023 年 1 月获得 A 轮融资
Atomic AI 在人工智能增强的结构生物学领域处于领先地位，得到了由机器学习研究人员、药物化学家、工程师和实验生物学家以及战略科学顾问和世界级投资者组成的跨学科团队的支持。他们通过改变 RNA 药物的设计，成功治疗了无法治疗的疾病
3月28日，OPPOFind系列产品负责人周意保在微博发文，表示OPPO已经进入了5.5G时代。OPPOFindX7系列周意保在微博上传了一张截图，图中的手机锁屏界面右上方状态栏信号一栏显示为5GA，也就是人们更加熟悉的5.5G。此外，周意保也发文称："和大家一起进入5.5G新移动网络时代！"宣布了5.5G新移动网络时代的到来。OPPOFind系列产品负责人周意保微博有博主表示，OPPOFindX7系列即将行业首发支持5G-A（5.5G），OTA固件已经准备好了。5G-A理论上可以实现10倍提升的连接速率
作者|香港中文大学白帆编辑|ScienceAI近日，香港中文大学和智源联合提出的M3D系列工作，包括M3D-Data,M3D-LaMed和M3D-Bench，从数据集、模型和测评全方面推动3D医学图像分析的发展。（1）M3D-Data是目前最大的3D医学图像数据集，包括M3D-Cap(120K3D图文对),M3D-VQA(510K问答对)，M3D-Seg（150K3DMask），M3D-RefSeg(3K推理分割)共四个子数据集。（2）M3D-LaMed是目前最多功能的3D医学多模态大模型，能够解决文本（
编辑|紫罗AI在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了，从材料价格到出错的风险，即使科学家使用AI，权衡合成最佳候选分子的成本也不是一件容易的事。在此，MIT研究人员开发了一个定量决策算法框架SPARROW，来自动识别最佳分子候选物，从而最大限度地降低合成成本，同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW考虑了一次合成一批分子的成本，因为多个候选分子通常可以从一些相
编辑|萝卜皮OpenAI的GPT和MetaAI的Llama等大型语言模型（LLM）因其在化学信息学领域的潜力而日益受到认可，特别是在理解简化分子输入行输入系统（SMILES）方面。这些LLM还能够将SMILES字符串解码为矢量表示。加拿大温莎大学（UniversityofWindsor）的研究人员比较了GPT和Llama与SMILES上的预训练模型在下游任务中嵌入SMILES字符串的性能，重点关注两个关键应用：分子特性预测和药物-药物相互作用预测。该研究以「Canlargelanguagemodelsun
编辑|萝卜皮在处理语言时，大脑会部署专门的计算来从复杂的语言结构中构建含义。基于Transformer架构的人工神经网络是自然语言处理的重要工具。普林斯顿大学的研究人员探讨了Transformer模型和人类大脑在语言处理中的功能特殊化问题。Transformer通过结构化电路计算整合单词间的上下文信息。不过，当前的研究主要集中于这些电路生成的内部表征（「嵌入」）。研究人员直接分析电路计算：他们将这些计算解构为功能专门的「transformations」，将跨词语的上下文信息整合在一起。利用参与者聆听自然故
编辑|X人工智能（AI）在过去几年中以惊人的速度发展。一些科学家现在着眼于超级人工智能（ArtificialSuperintelligence，ASI）的发展，这是一种不仅超越人类智能，而且不受人类学习速度限制的AI。超级人工智能的发展可能会带来巨大的影响和挑战。一方面，它可能为我们带来前所未有的技术进步和创新，解决各种复杂的问题。另一方面，由于其超越人类智慧的能力，我们也需要谨慎对待和管理它的发展，以避免可能的风险和危害。因此但如果这个里程碑不仅仅是一项了不起的成就呢？如果它也代表了所有文明发展的一个巨
编辑|枯叶蝶准确识别药物-靶标相互作用（DTI）是药物发现和药物重新定位过程中的关键步骤之一。目前，许多基于计算的模型已被提出，用于预测DTI，并取得了一些显著的进步。然而，这些方法很少关注如何以适当的方式融合与药物和靶标相关的多视角相似性网络。此外，如何充分结合已知的相互作用关系来准确表示药物和靶标尚未得到很好的研究。因此，提高DTI预测模型的准确性仍然是必要的。在最新的研究中，郑州大学、电子科技大学团队提出了一种新方法MIDTI。该方法采用多视图相似性网络融合策略和深度交互式注意机制来预测药物-靶标相
来自清华大学AIR、北京大学、南京大学的研究团队提出了ESM-AA模型。该模型在蛋白质语言建模领域取得了重要进展，提供了一套整合多尺度信息的统一建模方案。它是首个能同时处理氨基酸信息和原子信息的蛋白质预训练语言模型。模型的出色性能展示了多尺度统一建模在克服现有局限和解锁新能力方面的巨大潜力。作为基座模型，ESM-AA获得了多位学者的关注与广泛讨论（截图见下方），被认为有潜力基于ESM-AA开发出可与AlphaFold3、RoseTTAFoldAll-Atom相竞争的模型，为研究不同生物结构间的相互作用开辟
编辑|萝卜皮生物大分子结构对于药物开发和生物催化至关重要。量子力学（QM）方法进行晶体细化，在提高结构质量至纠正生物大分子的结构方面显露出前景。量子细化（Quantumrefinement，QR）方法采用可靠的量子力学（QM）方法进行晶体精化，以显示出前景。然而，巨大的计算成本和复杂的量子力学/分子力学（QM/MM）设置限制了QR的应用。在南方科技大学的研究团队将稳健的机器学习势（MachineLearningPotentials，MLP）融入多尺度ONIOM（QM:MM）方案中，来描述核心部分（例如药物
序列建模的进展具有极大的影响力，因为它们在广泛的应用中发挥着重要作用，包括强化学习（例如，机器人和自动驾驶）、时间序列分类（例如，金融欺诈检测和医学诊断）等。在过去的几年里，Transformer的出现标志着序列建模中的一个重大突破，这主要得益于Transformer提供了一种能够利用GPU并行处理的高性能架构。然而，Transformer在推理时计算开销很大，主要在于内存和计算需求呈二次扩展，从而限制了其在低资源环境中的应用（例如，移动和嵌入式设备）。尽管可以采用KV缓存等技术提高推理效率，但Trans
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
