神经网
-
AlphaFold 3 开源了却动不了？无 GPU 预算的生信避坑与替代工作流指南
不少做结构生物学和药物研发的同学最近都在关注 AlphaFold 3 (AF3) 的开源进展。 好消息是，DeepMind 在 2024 年 11 月终于迫于学术界压力，正式开源了 AlphaFold 3 的源代码和模型权重（仅限...
-
科研平替：ColabFold 蛋白质复合物预测进阶微调指南
在结构生物学领域，AlphaFold-Multimer 的出现极大地方便了蛋白质复合物的研究。然而，本地部署 AlphaFold-Multimer 对显存和硬盘（尤其是几 TB 的数据库）的要求让许多课题组望而却步。 作为高性价比的“...
-
别再用ColabFold做万级筛选了：超高通量抗体-抗原盲对接的几何深度学习工具指南
在抗体药物研发的早期阶段，面对数十万个候选抗体序列， ColabFold（基于 AlphaFold-Multimer）的推断速度是无法承受的。 尽管它的精度极高，但其庞大的参数量和自注意力机制的时间复杂度，导致单次对接耗时通常在数分钟到...
-
无复合物结构？仅凭 ESM-Fold 预测的抗原单体如何进行反向疫苗设计
在结构免疫学和疫苗研发中，最理想的情况是拥有 抗原-中和抗体复合物 的共晶或冷冻电镜结构，这能直接指出关键的保护性表位（Protective Epitope）。 但在面对新兴病原体或难结晶的膜蛋白时，我们往往只有基因序列。利用 ESM...
-
除了FoldX，如何用深度学习方法快速评估ProteinMPNN突变体的结合力？
在蛋白质从头设计（De Novo Protein Design）或亲和力成熟（Affinity Maturation）的工作流中， ProteinMPNN 已经成为序列设计的标配工具。然而，ProteinMPNN 产生的候选序列往往成百...
-
除了AlphaFold 3，现代AI药物设计管线里还有哪些不可或缺的底层模型？
在AI制药（AIDD）领域，AlphaFold 3毫无疑问是聚光灯下最耀眼的明星。它解决了“结构预测”这一历史性难题。然而，药物研发是一个漫长且复杂的系统工程，从靶点发现、先导化合物筛选、结构优化到ADMET（吸收、分布、代谢、排泄和毒性...
-
AlphaFold 3 对比 RoseTTAFold All-Atom：过渡金属配位的算法机制与预测精度差异
在结构生物学中，过渡金属（如铁 $Fe$、铜 $Cu$、锌 $Zn$、锰 $Mn$ 等）的配位几何预测一直是一个极具挑战性的课题。这些过渡金属拥有未充满的 d 轨道，其配位键介于共价键和静电作用之间，表现出高度的构型方向性（如八面体、四面...
274 结构生物学 -
RNA动态构象系综的“硬骨头”：几何深度学习的最新解法与物理瓶颈
在 AlphaFold 3 和 RoseTTAFold-All-Atom 掀起的多模态分子结构预测浪潮中，RNA 似乎成了聚光灯下最难啃的骨头。与结构相对规整、存在大量同源模板的蛋白质不同，RNA 在生理环境中表现出极高的柔性和动态多变性...
-
如何用图神经网络（GNN）预测RNA二级结构与配体结合位点？一文读懂前沿算法框架
在AI制药（AIDD）领域，RNA作为药物靶点（如核糖开关、非编码RNA、病毒RNA基因组）的潜力正被快速释放。然而，RNA极易弯折且动态多变，其功能的发挥高度依赖于其空间折叠结构以及与小分子配体的特异性结合。 传统的实验方法（如X射...
-
微流控芯片结合AI视觉的海月水母单胚胎CRISPR高效注射系统
研究背景与意义 海月水母（Aurelia aurita）作为刺胞动物门的代表物种，因其透明的早期胚胎、清晰的发育过程以及强大的再生能力，已成为研究细胞命运决定、神经发育和再生的重要模式生物。然而，传统的手动显微注射方法在水母胚胎中的应...
-
类脑芯片AER接口与传统PCIe/AXI总线：带宽与延迟的量化差异
类脑芯片与传统处理器在通信接口上的差异，并非简单的“谁更快”，而是 数据生成模式 与 传输哲学 的根本分歧。AER（Address Event Representation，地址事件表示）接口与PCIe/AXI总线分别服务于“稀疏异步脉冲...
-
异步事件驱动与冯·诺依曼架构：数据流调度的本质差异
类脑芯片常被贴上“低功耗”“高并行”的标签，但这些表象背后，真正决定其运行逻辑的是 数据流调度范式 的根本转变。传统冯·诺依曼架构与类脑异步事件驱动架构在数据如何流动、何时流动、由谁决定流动路径上，存在三条不可调和的本质差异。 一、 ...
-
从“固定电路”到“可编程大脑”：Loihi 2 如何重塑神经元编程灵活性？
在神经形态计算领域，英特尔初代 Loihi 芯片曾以低功耗和异步脉冲通信引发关注，但其神经元行为高度依赖硬件固化设计。开发者只能调整有限的预设参数，如同“在出厂定型的模具里微调”。而 Loihi 2 的问世，标志着该架构从“专用加速器”向...
-
脉冲神经网络（SNN）：如何实现边缘设备的极致低功耗部署？
随着物联网（IoT）和边缘计算的普及，在资源受限的终端设备上运行复杂的AI算法成为了巨大的挑战。被称为“第三代神经网络”的 脉冲神经网络（Spiking Neural Networks, SNN） ，凭借其模仿生物大脑的独特工作机制，正成...
-
动态视觉传感器为何能在暗光中追踪目标？算法优化的三条主线
传统图像传感器在暗光下往往面临“曝光不足、噪声淹没细节、帧率被迫降低”的困境，而动态视觉传感器（Dynamic Vision Sensor, DVS，常称事件相机）却能在近乎全黑的环境中持续输出有效信号。这并非因为它“自带夜视仪”，而是其...
-
事件驱动神经网络如何"原生"消化动态视觉数据？无卷积架构的端到端运动方向识别原理
当传统计算机视觉还在将事件相机（Event Camera）的异步数据流转换为帧图像进行卷积处理时，脉冲神经网络（SNN）已经能够直接在 时间域 内解析AER（Address-Event Representation）协议数据，实现微秒级延...
-
从“纯事件流”到“帧流融合”：DVS与DAVIS在方向检测电路上到底差在哪？
在高速运动捕捉与低功耗机器视觉领域，传统帧相机正面临“拍得清就看不清动，看得快就耗光电”的物理瓶颈。动态视觉传感器（DVS）与动态主动像素视觉传感器（DAVIS）的出现，试图用仿生视网膜的逻辑打破这一困局。但两者在方向检测等实时任务上的电...
-
硅视网膜如何用电路复现人眼的方向选择神经回路？——从双极细胞感受野到运动检测芯片
人眼能在微秒级精度感知运动方向，而传统相机需要分析完整视频帧才能计算光流。这种差距源于视网膜神经回路独特的 异步计算架构 。事件相机（Event Camera）的硅视网膜芯片正是通过模拟双极细胞的 中心-周边拮抗感受野 （Center-S...
-
事件相机在强光突变下如何保持"视力"？揭秘自适应阈值的防抖与保边机制
事件相机（Event Camera）凭借其微秒级时间分辨率和120dB以上的动态范围，正在重塑高速视觉感知领域。然而，当面对隧道出口、摄影棚闪光灯或昼夜切换等 极端光照跳变 场景时，这种仿生传感器面临一个经典的技术困境：如果对比度阈值设定...
-
为什么事件相机拍高速物体不会糊？
核心答案：它根本没有“曝光时间” 传统相机产生运动模糊的根源，在于 时间积分 。无论快门多快，只要曝光窗口打开，传感器就会把这段时间内落在像素上的所有光子累加起来。高速物体在曝光期间发生了位移，最终记录的就是位移轨迹的“平均叠加”，也...
