[全球网络技术综合报告] 9月25日，根据海外技术媒体9to5mac的数据，苹果研究团队发布了简单的人工智能模型的轻型蛋白质折叠。该模型具有创新的方法，可以采用流动形状的方法来替换复杂的多序列对齐模块并与传统模型保持一致。在确保预测的性能的同时，它大大降低了计算成本，并为更科学的研究小组提供了与蛋白质相关的研究的有利条件，这有望进一步促进药物研究和药物和新材料探索的过程。蛋白质折叠预测是生命科学领域研究的重要方向，预测的准确结果为疾病机制，药物设计等研究提供了基本支持。ELS由酌情决定，计算更新以及培训的培训和动机，培训的动机，培训，培训更新，培训更新，培训更新，培训更新，计算资源以及高硬件阈值将其应用于更广泛的硬件以及其科学研究的应用程序方面更广泛的排名。为了解决这一疾病，苹果研究团队将注意力转移到了匹配流动的技术上。据报道，与扩散模型得出的流相匹配的方法。与需要逐渐脱粒以产生目标的传统扩散模型不同，它可以直接从随机噪声中直接生成目标蛋白的结构，从而有效地跳过了许多否定的链接，这不仅大大降低了计算量，而且可以显着提高发电速度。目前，这项技术有已成功应用于文本生成图像，3D建模及其效率的领域。 为了全面测试简单的表现，研究人员已经建立了该模型的多个版本，参数从1亿到30亿，并在两个强大的基准下对它们进行了审查：cameo22和casp14。这两个试验占据了主要维度，例如一般稳定性（即，在面临破坏，不确定性或异常输入时，系统或过程保持稳定的操作操作的能力）和原子的准确性。结果表明，SimpleFold比ESMFold流的类似匹配模型牢固地执行，其整体性能与领先的蛋白质折叠模型相当。具体数据表明，不依赖昂贵的多序列对准和三角注意机制的简单折叠率在CAMEO22测试中的alphafold2和Rosettafold2的性能约为95％。虽然具有较小参数量表的SimpleFold-100m版本的性能为ESMFOLD的90％，同时保持良好的计算属性。该结果不仅证实了简单折叠的有效性能，而且证明了一般体系结构模块在lara和lara和蛋白质预测中的可行性和竞争力。 （Chu Jun）