跳到正文
事件历史事件

蛋白语言模型引入生物物理场预训练

1 篇报道1 个报道来源6 天前更新

先了解这件事

AI 综述

Jiang, P. 与 Singharoy, A. 提出 Biophysical Transformer:在序列与结构之外,把连续生物物理场作为第三种预训练信号,模型仅凭序列预测每个三残基 token 周围的静电势,参数规模为 1.1M。 在 FLIP Meltome 热稳定性基准上,与匹配的单开关对照相比,该场目标在两组人类划分的每一个已训练头上都提高了 Spearman 相关性;剔除与预训练语料重叠的测试蛋白后,这一结果仍成立。但在混合物种划分上该增益消失;且每臂只做了一次预训练运行,当前设计无法把场内容的作用与一般正则化的作用区分开。

AI 根据报道生成 · 5 天前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月11日
  1. bioRxiv
    超越序列与结构:Biophysical Transformer 在连续生物物理场上预训练蛋白质语言模型

    Biophysical Transformer 把连续生物物理场作为序列与结构之外的第三种预训练信号,模型仅凭序列预测每个三残基 token 周围的静电势。在 FLIP Meltome 热稳定性基准的两组人类划分上,该场目标在双方所有已训练头上提升 Spearman 相关性,去除与预训练语料重叠的测试蛋白后仍成立。模型规模为 1.1M 参数;混合物种划分无此增益,且结果仅基于每臂一次预训练运行。

本事件热度走势

可比范围当前
3
可比范围峰值
511月12日 07:00
近 24 小时变化
-49%

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。