PocketFlow开源项目 – 蛋白质口袋内药物分子生成

一项研究探讨大型语言模型（LLM）在科学发现中的表现，特别是GPT-4在多个科学领域的应用。该研究分析了GPT-4在药物发现、生物学和计算化学等领域的能力，评估其在复杂问题解决和知识整合任务中的有效性，同时进行专家驱动的案例评估和基准测试，旨在加速科学进步和优化资源配置。

PGD-MOO（Preference-Guided Diffusion for Multi-Objective Offline Optimization）是一种通过训练偏好模型引导扩散模型生成帕累托最优且多样化的设计方案的方法，特别适用于多目标离线优化问题。该方法在超体积指标上与传统方法相当或更优，在 ∆-spread 指标上显著优于其他方法，适用于药物发现等高成本、慢反馈的场景。

Bioptimus是一个开创性的AI工具，旨在为生物学和生物医学领域提供通用的AI基础模型，推动突破性发现和加速创新，帮助研究人员和专业人士简化复杂分析并增强预测能力。

MolE是一个面向化学的基础模型，结合几何深度学习和Transformer架构，用于学习分子的有意义表示。该模型通过两步预训练过程：首先使用约8.42亿分子的图表示进行自监督学习，然后进行大规模多任务训练来整合生物信息。MolE可用于分子性质预测、分子嵌入计算和相似性搜索等任务，广泛应用于药物发现和化学信息学研究。

MAPE-PPI 项目旨在通过微环境感知的蛋白质嵌入技术，提升蛋白质相互作用预测的有效性和效率。该项目结合了深度学习和生物信息学，能够准确预测蛋白质之间的相互作用，为生物研究和药物发现提供重要支持。

AlphaFold 3是由Google DeepMind和Isomorphic Labs开发的新型AI模型，能够准确预测蛋白质、DNA、RNA、配体等的结构及其相互作用，旨在改变我们对生物世界的理解和药物发现的方式。

这是用于大规模药物发现的AI模型构建和适配框架，通过提供特定领域的优化模型和工具，加速构建和适配生物分子AI模型的过程，帮助研究人员更高效地进行药物研发。

SMI–TED是IBM开发的基于SMILES字符串的大型变压器编码器-解码器模型，专注于化学和材料科学研究。它预训练于PubChem的9100万SMILES样本（相当于40亿分子标记），支持分子属性预测、分子生成等任务，在量子属性预测等基准测试中表现优异。模型提供289M和8X289M两种参数规模，支持SMILES、SELFIES、3D分子图等多种表示形式，适用于学术研究和材料创新。

OpenBioMed是一个Python深度学习工具包，专注于AI驱动的生物医药研究。它提供了灵活的多模态数据处理API，涵盖分子、蛋白质、单细胞、自然语言和知识图谱等多种数据类型。OpenBioMed集成了20多种工具，支持从传统AI药物发现任务到新兴的多模态挑战的广泛应用。此外，它还提供了易于使用的接口，用于构建工作流和开发基于大语言模型（LLM）的智能代理，以解决复杂的生物医学研究任务。

AIRS（Artificial Intelligence Research for Science）是由德克萨斯农工大学DIVE实验室发布的开源软件工具、数据集和基准测试的集合，旨在推动人工智能在量子物理、化学、分子模拟、药物发现和材料科学等科学领域的应用。

Wikipedia Article AI帮助公众人物、公司和创业公司创建以其名字命名的维基百科页面，从而几乎瞬间提升搜索引擎优化（SEO）和可信度。该工具基于最新版本的ChatGPT。

Cratecode是一个帮助人们学习编程的网站，提供有趣的项目、非线性课程，并通过测量成长来提供最佳学习体验。该平台由AI驱动，帮助用户解答编程相关问题、查找代码中的错误，并指导解决问题的过程。

该项目汇集了精选的扩散模型推理论文，涵盖了多种技术，包括采样、缓存以及多GPU支持，为研究者和开发者提供了丰富的学习和应用资源。

feder是一款专门用于可视化hnsw、faiss及其他近似最近邻搜索（ANN）索引的神经网络工具。它通过直观的图形界面，帮助用户深入理解和分析索引结构，适用于大规模数据集的索引可视化。

Mixture-of-Mamba 是一种基于状态空间模型（SSMs）的新型架构，专门设计用于通过引入模态感知稀疏性来改进多模态模型。它能够高效处理文本、图像和语音等不同类型的数据，通过为每种数据类型定制参数，显著提高效率和性能。该项目在减少计算成本的同时，保持了或提升了模型的表现，特别适用于多模态预训练研究。