在阅读理解测试中，TCMChat的BLEU、Meteor、ROUGE-1、ROUGE-2、ROUGE-L和BertScore分别为0.584、0.737、0.771、0.734、0.766和0.886，均优于其他模型。在ADMET预测测试中，TCMChat在回归任务中的MAE为2.73，RMSE为10.26，在分类任务中的准确率为0.818，ROC-AUC为0.830，显著优于其他模型。TCMCh

Abstract摘 要近日，扬州大学农学院张韬教授课题组在Molecular Plant在线发表了题为PDLLMs: A group of tailored DNA large language models for analyzing plant genomes的研究论文，开发了一系列基于植物基因组的基础DNA大语言模型，该研究构建的130M大小的plant DNAMamba模型仅以十分之一的.

关于Deep Research背后更全面的技术栈都有哪些？主题: Deep Research，来源: PaperAgent/Datawhale。论文1：https://arxiv.org/pdf/2509.06733。论文2：https://arxiv.org/abs/2508.12752。（Gain-Beyond-RAG）：相比“无脑 top-k RAG”的。：MT-GRPO 给“成功调用+返回

核心内容AI科学搜索引擎：为科研加速，还是为研究带来困扰？AI驱动的科学搜索引擎，如Elicit、scite和Consensus，正在改变科研文献的获取方式，尽管它们在提升效率和智能化分析方面展现了巨大潜力，但仍面临准确性、时效性和可靠性等方面的挑战，需要进一步优化以真正满足科研需求。随着大型语言模型（LLMs）如OpenAI的GPT-4不断进步，人工智能（AI）工具在科学研究中的应用越来越广泛。

DRUGAI今天为大家介绍的是来自哈佛医学院Marinka Zitnik团队的一篇论文。作者设想“AI科学家”是能够进行批判性学习和推理的系统，它们通过协作型智能体整合AI模型、生物医学工具和实验平台，从而推动生物医学研究的发展。这些生物医学AI智能体并不是要将人类排除在发现过程之外，而是将人类的创造力与专业知识，与AI在分析大型数据集、探索假设空间以及执行重复性任务方面的能力结合在一起。AI智能

蛋白质折叠涉及重新排列空间中的线性氨基酸序列，使其处于低能状态。仅基于氨基酸序列预测正确的三维结构非常困难，其原因在于肽键的自由组合会产生大量的可能性：即使对于一个小的蛋白质进行结构域顺序抽样，耗费的时间都将超过宇宙的年龄，因此计算预测是为了规避顺序抽样问题。在过去的40年里，计算预测一直在稳步改进，通过X 射线晶体学、核磁共振波谱和低温电子显微镜（cryo-EM）等实验确定蛋白质结构序列的同源性

王艇教授长期领导大型国际项目例如ENCODE，Roadmap，4DN，TaRGET以及当前最新的人类泛基因组计划（Human Pangenome Project），Multi-Omics for Health and Disease (MOHD*) 和IGVF（Impact of Genetics Variation on Function）。技术的持续发展，本次2025更新对浏览器代码库进行全面

2024年12月11日，Plant Communications在线发表中国农业科学院生物技术研究所乐亮副研究员和普莉研究员共同署名通讯作者，标题为Synthetic biology and artificial intelligence incrop improvement的综述文章。文章探讨了合成生物学在作物改良中的作用，特别是通过工程原理有目的地改良植物，通过“设计、构建、测试和学习”循环.

上海交通大学NovelLab实验室文章标题:How to build the virtual cell with artificial intelligence: Priorities and opportunities发表期刊: Cell发表日期: 2024年12月12日作者单位：斯坦福大学、基因泰克等近日，来自斯坦福大学、基因泰克等机构的研究人员在Cell正刊上发表了一篇观点文章，题为《如何用

HelixFold-Single将自然语言处理领域的语言模型，应用在蛋白质上，构建了预训练语言模型，从3亿的无标注蛋白质数据中提取信息，建模蛋白质之间的关系，从而将MSA同源信息隐式的学习在语言模型中，进而有效地替代MSA信息检索模块，极大地提升了结构预测的速度。5个CDR loops倾向于采用通过序列相似性可以有效地进行预测，然而，重链的第3个CDR loop（CDR H3），由于其在序列和长度