AI读懂DNA的突破 #Evo2 #DNA的基本原理 #AI读懂DNA Evo2 是一种由人工智能驱动的生物基础模型,成功破译了DNA的基本原理,使其能够跨物种理解、分析和生成遗传序列——包括创造新的DNA、设计合成生物,甚至改造病毒——标志着人工智能驱动生物学的一次革命性飞跃,为医学、生物技术和合成生命领域开启了变革性的可能性。 ———— 本文主要介绍了研究人员开发的EVO2人工智能模型,该模型能够理解并生成DNA序列。通过在9万亿个碱基对的数据集上训练,EVO2具备百万级上下文窗口,可精准分析长距离DNA调控关系,并在未受监督的情况下识别出基因突变的致病性。其能力不仅限于检测疾病,还能生成完整线粒体、细菌及酵母的DNA,且经验证具有生物功能。该技术为个性化医疗、作物改良和合成生物学带来革命性可能,但同时也引发伦理与生物安全的深刻讨论。 EVO2的突破在于其通过进化信号的隐含规律,自主学习DNA语言,无需预设标签即可实现零样本预测。它能准确识别起始/终止密码子突变、Shine-Delgarno和Kozak序列等关键元件,并在纤毛虫等特殊遗传系统中展现跨物种理解能力。其生成的DNA序列经AlphaFold3验证,能正确折叠并形成功能性蛋白质复合体,证明其生成的DNA具备真实生物学活性。 尽管该模型已开源,但研究团队在训练阶段主动排除了人类病毒数据,以防止恶意生成危险病原体。通过困惑度测试,模型对未知病毒序列表现出高度困惑,无法生成有效序列。这一安全设计结合开源策略,既推动科学进步,也引发对技术滥用的警惕。未来,该技术或可实现个性化基因优化与胎儿特征预测,但需在伦理框架下审慎推进。
00:00 / 01:06
连播
清屏
智能
倍速
点赞9
00:00 / 00:14
连播
清屏
智能
倍速
点赞344
00:00 / 02:02
连播
清屏
智能
倍速
点赞535
00:00 / 04:17
连播
清屏
智能
倍速
点赞78
00:00 / 02:32
连播
清屏
智能
倍速
点赞0
00:00 / 07:27
连播
清屏
智能
倍速
点赞3
一.实验原理 细菌细胞的感受态,一般是指利用细菌生长过程中的某一阶段的培养物,能够作为转化的受体,接受外源DNA而不将其降解的生理状态。感受态形成后细胞生理状态会发生改变,出现各种蛋白质和酶,负责供体DNA的结合和加工等。细胞表面正电荷增加,通透性增加,形成能接受外来的DNA分子的受体位点等。 二.实验步骤 (1)将大肠杆菌细胞接种于LB斜面培养基上,进行活化,置于恒温培养箱中37℃培养过夜。 (2)用接种环接种培养出的大肠杆菌菌落培养物,接种于有5mL液体LB的玻璃试管中,于恒温振荡器上,37℃振荡培养过夜(约16h),可在显微镜下镜检菌细胞是否形态一致,有无杂菌污染。 (3)在无菌超净台用微量移液器,吸取过夜培养的1m菌液,接种于盛放在250mL锥形瓶的100mL液体LB培养基中,分别按照1%、2%和5%的接种量进行接种,在37℃恒温振荡器上培养2~3h。 (4)从三个锥形瓶中分别取1mL培养液,以未接种的LB作空白对照,在550nm处,利用分光光度计上测OD550的吸光度值,待吸光度值约为0.5.停止培养,开始制备感受态细胞。 (5)在无菌超净台用微量移液器,吸取1m菌液,转移到离心管中。 (6)将离心管置于冰上10min,冷却菌液,置于台式冷冻离心机上,3500rpm离心 5min。 (7)无菌条件下,倒去上清LB,倒斜离心管,让LB流干,留下菌体沉淀,加人预冷的100mmol/LCaCl2,溶液800mL,用微量移液器轻轻吸冲底部沉淀菌体,使菌体充分悬浮后,摇匀后于冰浴中放置30min。 (8)重新将CaCl2,菌悬浮液置于台式冷冻离心机上,3500rpm离心10min,小心侧倒掉上清 CaCl2,,保留菌体沉淀。 (9)将菌体悬浮在200mL100mmol/LCaCl2,的溶液中,置于冰上作为转化的受体菌液。这种方法制备的感受态细胞在制备后1~24h内使用,转化效率较高。#感受态细胞 #DNA #大肠杆菌 #科研 #实验室日常
00:00 / 01:02
连播
清屏
智能
倍速
点赞3
00:00 / 53:39
连播
清屏
智能
倍速
点赞1
00:00 / 01:14
连播
清屏
智能
倍速
点赞12
00:00 / 01:22
连播
清屏
智能
倍速
点赞937
00:00 / 00:55
连播
清屏
智能
倍速
点赞14
00:00 / 02:53
连播
清屏
智能
倍速
点赞26
00:00 / 03:36
连播
清屏
智能
倍速
点赞13
UniBindMD6天前
第1页: 本次报告聚焦分子对接技术,介绍其基本原理、当前面临的核心挑战,以及AI驱动的前沿进展。 第2页: 分子对接是计算化学方法,通过模拟小分子配体与生物大分子受体的结合,预测结合构象与亲和力。理论基础包括锁钥模型与诱导契合模型,后者更符合实际结合过程。 第3页: 流程主要包括:受体与配体的结构准备、结合位点定义、构象搜索与评分、结果分析。其中构象采样算法与评分函数的选择直接影响对接精度。 第4页: AutoDock Vina开源高效,适合大规模筛选;Glide精度高但需商业授权;GOLD采用遗传算法,搜索能力强,适合复杂体系。各软件在速度、精度与成本上各有取舍。 第5页: 三大核心挑战:一是受体柔性问题,刚性对接导致假阴性率高达30-40%;二是评分函数准确性不足,预测误差2-3 kcal/mol,与实验相关性仅0.3-0.5;三是溶剂效应难以准确模拟。 第6页: 三类评分函数各有局限:经验型计算快但普适性差,力场型物理准确但计算量大,知识型依赖统计数据、泛化能力弱。整体相关性仅0.3-0.5,难以可靠区分活性分子。 第7页: DiffDock采用扩散生成模型,将对接转化为构象生成问题。对接成功率从23%提升至38%,计算速度提升3-12倍,高置信度预测中RMSD小于2Å的比例达83%。 第8页:分子对接 vs 分子动力学模拟 对接用于快速获取静态结合模式,成本为分钟至小时级;分子动力学模拟研究动态演化,显式处理溶剂效应,但计算成本高、时间尺度为纳秒至微秒级。两者互补应用。 第9页:分子动力学模拟的优势 三大优势:捕捉原子级动态信息、显式模拟溶剂效应、通过自由能微扰精确计算结合亲和力,与实验相关性可达0.8-0.9。 第10页: 典型案例包括HIV蛋白酶抑制剂、COVID-19主蛋白酶筛选、激酶抑制剂帕博西利设计。实践中,对接可提升效率10倍、降低研发成本50%、缩短周期2-3年。 第11页: 三大方向:AI深度融合(扩散模型、图神经网络)、多尺度建模(QM/MM、粗粒化)、计算-实验协同。预计2030年代迈向全自动药物设计平台。 #分子对接 #分子动力学模拟 #人工智能 #药物研发 #每天跟我涨知识
00:00 / 00:36
连播
清屏
智能
倍速
点赞3