Artificial Intelligence in Biology: From Artificial Neural Networks to AlphaFold
利用 AI 模型，科学家可以预测基因表达、设计新蛋白质并创造精准药物。
Unmasking AlphaFold to predict large protein complexes
Claudio Mirabello 和 Björn Wallner 进一步开发了 AlphaFold。它现在可以从实验和部分数据中获取信息，并预测非常大且复杂的蛋白质结构。摄影师：Thor Balkhed Anders Törneholm 在所有生物体中，都有大量调节细胞功能的蛋白质。基本上，发生的一切 […]
来自法国里尔大学、瑞典林雪平大学和合作机构的科学家推出了 MassiveFold，这是 AlphaFold 的新版本，可将蛋白质结构预测的计算时间从数月缩短至数小时。
DeepMind 在受到批评后发布了 AlphaFold3 的完整代码，而新的 CRAB 菌株引发担忧，特朗普的政策威胁到环境进步。文章《每日剂量：谷歌 DeepMind 延迟发布 AlphaFold3 代码；研究警告传播耐卡巴培南 CRAB 菌株。》首次出现在《科学询问者》上。
Научное сообщество пытается взломать ИИ-модель AlphaFold3
为什么 DeepMind 不愿意分享其突破性开发的源代码？
AlphaFold 3 predicts the structure and interactions of all of life’s molecules
介绍由 Google DeepMind 和 Isomorphic Labs 开发的新 AI 模型。
A glimpse of the next generation of AlphaFold
进展更新：我们最新的 AlphaFold 模型显示出显着提高的准确性，并将覆盖范围从蛋白质扩展到其他生物分子，包括配体。
How our principles helped define AlphaFold’s release
我们的运营原则既定义了我们优先考虑广泛利益的承诺，也定义了我们拒绝追求的研究和应用领域。自 DeepMind 成立以来，这些原则一直是我们决策的核心，并随着人工智能格局的变化和发展而不断完善。它们是为我们作为一家研究驱动的科学公司的角色而设计的，并且与 Google 的人工智能原则一致。
AlphaFold reveals the structure of the protein universe
今天，我们与 EMBL 的欧洲生物信息学研究所 (EMBL-EBI) 合作，现在发布了几乎所有科学已知的已编目蛋白质的预测结构，这将使 AlphaFold DB 扩大 200 多倍——从近 100 万个结构扩大到 2 亿多个结构——有可能大大提高我们对生物学的理解。
Putting the power of AlphaFold into the world’s hands
去年 12 月，我们宣布推出 AlphaFold 2，它被誉为解决 50 年历史的蛋白质折叠问题的解决方案。上周，我们发表了科学论文和源代码，解释了我们如何创建这个高度创新的系统，今天，我们分享了对人体中每种蛋白质形状的高质量预测，以及科学家在研究中依赖的另外 20 种生物体的蛋白质形状的高质量预测。
Highly accurate protein structure prediction with AlphaFold
AlphaFold 最新版本的基础是一种新颖的机器学习方法，它将有关蛋白质结构的物理和生物学知识，利用多序列比对，融入到深度学习算法的设计中。
AlphaFold 2 Explained: A Semi-Deep Dive
上个月底，谷歌机器学习研究部门 DeepMind 创下了新纪录：准确预测蛋白质结构。DeepMind 以开发击败围棋和星际争霸 II 世界冠军的机器人而闻名。如果他们的结果像团队声称的那样好，他们的模型 AlphaFold 可能会为药物发现和基础生物学研究带来重大福音。但这种基于神经网络的新模型是如何工作的呢？在这篇文章中，我将尝试简要但半深入地介绍支持该模型的机器学习和生物学。首先，快速了解一下生物学：蛋白质在体内的功能完全由其三维结构决定。例如，臭名昭著的“刺突蛋白”可以标记冠状病毒，从而使病毒进入我们的细胞。同时，Moderna 和辉瑞等 mRNA 疫苗复制了这些刺突蛋白的形状，从而
DeepMind’s Quest for Self-Improving Table Tennis Agents
几乎没有一天，没有令人印象深刻的新机器人平台从全球学术实验室和商业初创公司出现。尤其是人形机器人看起来越来越有能力帮助我们在工厂，最终在家庭和医院中。但是，要使这些机器真正有用，他们需要精致的“大脑”来控制其机器人身体。传统上，编程机器人涉及专家花费无数小时精心编写复杂行为，并详尽地调整参数，例如控制器的增益或运动规划权重，以实现所需的性能。尽管机器学习（ML）技术有希望，但需要学习新的复杂行为的机器人仍然需要大量的人类监督和重新设计。在Google DeepMind，我们问自己：我们如何使机器人能够更加整体，连续地学习和适应，从而减少了每项重大改进或新技能的专家干预瓶装的瓶颈？这个问题是我们
Protein-binding affinity model expands role of AI in drug discovery
了解分子如何相互作用是生物学的核心：从解码生物的作用到揭示疾病机制和开发挽救生命的药物。近年来，诸如Alphafold之类的模型改变了我们预测蛋白质3D结构的能力，从而为分子形状和相互作用提供了关键的见解。
Repurposing protein folding models for generation with latent diffusion
格子是一种多模式生成模型，通过学习蛋白质折叠模型的潜在空间，同时生成蛋白质1D序列和3D结构。授予2024年诺贝尔奖对Alphafold2的奖励标志着重要的...
