Năm 2023, các nhà khoa học tại Đại học California, Berkeley đã công bố một nghiên cứu trên tạp chí *Nature* cho thấy rằng việc sử dụng các mô hình ngôn ngữ lớn (LLM) để tạo ra các protein mới có thể mang lại hiệu quả cao hơn so với các phương pháp truyền thống.
Nghiên cứu này đã sử dụng một LLM được đào tạo trên một tập dữ liệu lớn gồm các chuỗi protein để tạo ra các protein mới với các chức năng mong muốn. Các nhà nghiên cứu đã chứng minh rằng các protein do LLM tạo ra có thể gấp lại thành các cấu trúc ổn định và thể hiện hoạt tính sinh học.
Nghiên cứu này là một bước tiến quan trọng trong lĩnh vực thiết kế protein và có thể có những ứng dụng sâu rộng trong y học, công nghiệp và nông nghiệp. Ví dụ, các protein do LLM tạo ra có thể được sử dụng để phát triển các loại thuốc mới, enzyme công nghiệp và cây trồng kháng bệnh.
Dưới đây là một số điểm chính của nghiên cứu:
* **LLM có thể tạo ra các protein mới với các chức năng mong muốn.** Các nhà nghiên cứu đã sử dụng một LLM để tạo ra các protein có khả năng liên kết với các phân tử cụ thể, xúc tác các phản ứng hóa học và ức chế sự phát triển của tế bào ung thư.
* **Các protein do LLM tạo ra có thể gấp lại thành các cấu trúc ổn định.** Các nhà nghiên cứu đã sử dụng các kỹ thuật quang phổ và tinh thể học tia X để xác nhận rằng các protein do LLM tạo ra có thể gấp lại thành các cấu trúc ổn định và hoạt động.
* **Các protein do LLM tạo ra thể hiện hoạt tính sinh học.** Các nhà nghiên cứu đã chứng minh rằng các protein do LLM tạo ra có thể thực hiện các chức năng sinh học mong muốn trong các thí nghiệm *in vitro* và *in vivo*.
Nghiên cứu này là một minh chứng mạnh mẽ cho tiềm năng của LLM trong lĩnh vực thiết kế protein. Khi công nghệ LLM tiếp tục phát triển, có thể kỳ vọng rằng chúng sẽ đóng một vai trò ngày càng quan trọng trong việc phát triển các protein mới với các ứng dụng đa dạng.
Paperium
Đăng ngày 5/6
• Được xuất bản lần đầu tại paperium.net
PixelNet: Biểu diễn của các pixel, bởi các pixel và cho các pixel
#ai
#deeplearning
#computerscience
#machinelearning
AI (Loạt 3443 phần)
1
Học tập của tác nhân thông qua kinh nghiệm ban đầu
2
MM-HELIX: Tăng cường suy luận phản tư chuỗi dài đa phương thức với nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng
...
3439 phần khác...
3
MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái
4
UniVideo: Hiểu, tạo và chỉnh sửa video thống nhất
5
VideoCanvas: Hoàn thiện video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện theo ngữ cảnh
6
DreamOmni2: Chỉnh sửa và tạo dựa trên hướng dẫn đa phương thức
7
Từ cái gì đến tại sao: Hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng
8
Nhận thức siêu dữ liệu tăng cường các mô hình suy luận: Học tăng cường tự căn chỉnh
9
Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh dài
10
Các token có xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng
11
Vũ điệu căn chỉnh: Đào tạo đồng thời các tác nhân để hợp tác vì sự an toàn
12
Tối ưu hóa chính sách tương đối nhóm không cần đào tạo
13
Tăng cường lai: Khi phần thưởng thưa thớt, dày đặc sẽ tốt hơn
14
NewtonBench: Đánh giá khám phá luật khoa học tổng quát trong các tác nhân LLM
15
ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao tức thì với biểu diễn cảnh có cấu trúc
16
DeepPrune: Mở rộng song song không có sự dư thừa giữa các dấu vết
17
Lần thử đầu tiên quan trọng: Xem xét lại vai trò của sự phản tư trong các mô hình suy luận
18
LLM học cách lừa dối một cách vô ý: Sự sai lệch xuất hiện trong sự không trung thực từ các mẫu sai lệch đến tương tác thiên vị giữa con người và AI
19
UniMMVSR: Khung đa phương thức thống nhất cho siêu phân giải video xếp tầng
20
NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu
21
CoMAS: Các hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác
22
PickStyle: Chuyển đổi kiểu video sang video với bộ điều hợp kiểu ngữ cảnh
23
UNIDOC-BENCH: Một điểm chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu
24
InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM
25
LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình hóa phần thưởng
26
Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các nhiệm vụ dài hạn
27
Tăng cường các mô hình khuếch tán bằng cách tối ưu hóa ưu tiên nhóm trực tiếp
28
Kiểm soát tạo video từ văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao
29
Kích hoạt điều hòa entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt là
30
Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các token chức năng
31
Tái chế các điểm kiểm tra được đào tạo trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để đào tạo trước mô hình ngôn ngữ lớn hiệu quả
32
GCPO: Khi độ tương phản thất bại, hãy chọn vàng
33
UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn
34
OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác loco-manipulation toàn thân hình người và tương tác cảnh
35
DexNDM: Thu hẹp khoảng cách thực tế cho vòng quay khéo léo trong tay thông qua mô hình động lực học thần kinh theo khớp
36. A^2Search: Trả lời câu hỏi nhận biết sự mơ hồ bằng học tăng cường.
37. Học cách định tuyến các mô hình ngôn ngữ lớn (LLM) từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi.
38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn.
39. R2RGEN: Tạo dữ liệu 3D từ thực tế đến thực tế để thao tác tổng quát hóa không gian.
40. Drive&Gen: Đồng đánh giá các mô hình lái xe đầu cuối và tạo video.
41. Vượt ra ngoài các giá trị ngoại lai: Một nghiên cứu về các bộ tối ưu hóa dưới lượng tử hóa.
42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh.
43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic.
44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán.
45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định.
46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ.
47. SciVideoBench: Đánh giá suy luận video khoa học trong các mô hình đa phương thức lớn.
48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều chỉnh theo điểm số.
49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động.
50. OpenRubrics: Hướng tới tạo tiêu chí tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM.
51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo lấy camera làm trung tâm.
52. D2E: Mở rộng đào tạo trước thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện.
53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác.
54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM.
55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn!
56. R-Horizon: Mô hình suy luận lớn của bạn thực sự có thể đi xa đến đâu về chiều rộng và chiều sâu?
57. Webscale-RL: Đường ống dữ liệu tự động để mở rộng dữ liệu RL đến mức đào tạo trước.
58. SpaceVista: Suy luận không gian trực quan mọi quy mô từ mm đến km.
59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn.
60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh lại độ tin cậy.
61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó.
62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người.
63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả.
64. Kết nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách tổng quát hóa độ phức tạp ngoài phân phối.
65. Biến đổi Gaussian lũy tiến với nhận biết dị hướng.
Nguồn tin: Dev.to Machine Learning — Tác giả: Paperium. Bản dịch tiếng Việt do AI thực hiện, có thể có sai sót.
