05 2025 档案

mamba中的ssm是计算attention的方式么？
摘要：Mamba 中的 SSM（状态空间模型）不是传统意义上的计算 attention 的方式，但它与 attention 机制有密切联系和相似性，相关内容如下： 与 attention 机制的联系 公式相似性 ：有研究指出 Mamba 的 SSM 操作与线性 attention 存在深刻联系，从公式和示 阅读全文
posted @ 2025-05-27 15:13 GraphL 阅读(240) 评论(0) 推荐(0)
Pocketen
摘要：任务 以下是 PocketGen 论文描述的总结翻译： 🔹 输入 配体分子： 以三维结构（坐标和原子类型）提供。 蛋白质支架： 除去口袋区域的蛋白质的其余部分。 同样表示为三维点云。 🔹 模型架构 1. 等变双层图变换器 目标：对完整原子结构进行编码和更新。 结构： 建模 残基/配体级别 和 原 阅读全文
posted @ 2025-05-23 13:41 GraphL 阅读(82) 评论(0) 推荐(0)
多卡的训练
摘要：您提供的命令： python -m torch.distributed.launch --nproc_per_node=2 --nnodes=1 train.py 解释： --nproc_per_node=2：这意味着每个节点将启动2个进程。 --nnodes=1：这意味着您总共使用1个节点（即，这 阅读全文
posted @ 2025-05-23 11:40 GraphL 阅读(64) 评论(0) 推荐(0)
mamba改进
摘要：NaN 爆炸几乎总是源于循环核心内部的数值溢出。 我们插入的代码片段请求 GRU 风格的 Mamba 使用 4096 维的隐藏状态（d_model = H × W = 64 × 64）。 这非常大：循环矩阵的大小为 4096×4096，每次迭代会多次进行乘法运算，所以即使是默认的 Xavier/正交 阅读全文
posted @ 2025-05-21 13:28 GraphL 阅读(219) 评论(0) 推荐(0)
亲和力预测
摘要：1 “预测蛋白 - RNA 结合亲和力” 是什么意思？ 所预测的量。 结合亲和力通常以标准态结合自由能ΔG（kcal·mol⁻¹）表示。ΔG 越负，表明相互作用越紧密、越有利。计算 “亲和力预测” 即：在不进行体外结合实验的情况下，针对特定的蛋白 - RNA 复合体，估算其ΔG。 在 CoPRA 中 阅读全文
posted @ 2025-05-17 17:10 GraphL 阅读(234) 评论(0) 推荐(0)
CoPRA
摘要：好的，下面是对这段话的翻译： 以下是关于 CoPRA 框架的结构化总结，该框架来自 2025 年 AAAI 论文《Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Bind 阅读全文
posted @ 2025-05-15 23:23 GraphL 阅读(93) 评论(0) 推荐(0)
S3F
摘要：好的，您想了解的是关于 S3F框架流程 的说明，以及是否需要一个 S2F与S3F流程的对比图 。以下是这段话的翻译： 以下是对 S3F框架流程 的结构化说明： 输入 每个样本包括： 蛋白质序列： [ S = [s_1, s_2, ..., s_{n_r}], \quad s_i \in {1, .. 阅读全文
posted @ 2025-05-15 21:35 GraphL 阅读(100) 评论(0) 推荐(0)
SLM
摘要：🔧 总体框架 结构语言建模（SLM） 是一种用于高效 蛋白质构象生成 的两级生成框架，采用 潜在空间中的语言建模。 ✅ 输入 氨基酸序列 ( c \in \mathcal{S}^L )（其中 (\mathcal{S}) 是包含 20 种氨基酸的集合）。 （可选）用于修复任务的部分或遮蔽构象。 ⚙️ 阅读全文
posted @ 2025-05-15 18:19 GraphL 阅读(78) 评论(0) 推荐(0)
PG-AbD
摘要：PG-AbD 框架概览 PG-AbD（Protein Language Model Plus GFlowNet for Antibody Design，蛋白质语言模型与 GFlowNet 融合的抗体设计框架）是一种将预训练蛋白质语言模型（PLM）与生成流网络（GFlowNet）相结合的统一生成式框架 阅读全文
posted @ 2025-05-15 17:11 GraphL 阅读(140) 评论(0) 推荐(0)
rnaflow指标的计算
摘要：为了评估DiscDiff模型生成的DNA序列的质量，论文引入了三个关键指标：基序分布相关性（ρ）、多样性和S-FID（Sei Fréchet Inception Distance）。以下是计算每个指标的简洁指南：arXiv 1. 基序分布相关性（ρ） 目的： 测量生成序列中特定DNA基序的分布与真实 阅读全文
posted @ 2025-05-15 11:17 GraphL 阅读(55) 评论(0) 推荐(0)
《RNAFlow：基于逆折叠流匹配的 RNA 结构与序列设计》
摘要：分开设计的模型 这是一个很好的问题 —— 你确实有必要仔细审查这个细节。 ❓ 在 RNAFlow 中，RNA 序列 和 结构 是联合共同设计的吗？ ✅ 是的，但并非在最严格意义上的同时共同设计。 以下是详细说明： 🔄 RNAFlow 中的共同设计机制 组件 行为 序列 首先 从一个加噪的蛋白 - 阅读全文
posted @ 2025-05-06 01:49 GraphL 阅读(234) 评论(0) 推荐(0)
SAITS
摘要：SAITS MIT（掩码插补任务） 目的 ：通过在训练时隐藏部分已知观测值，教会模型如何预测缺失值。 掩码方式 ：手动 / 人工掩码——随机掩藏一定比例（例如 20%）的观测条目。 损失计算 ：仅针对人工掩码条目计算损失（即真实值已知但暂时隐藏的位置）。 ORT（观测重建任务） 目的 ：确保模型不会 阅读全文
posted @ 2025-05-06 01:41 GraphL 阅读(146) 评论(0) 推荐(0)
DNA和RNA
摘要：标签问题 好问题，而且这对于公平比较很重要。 ✅ 在 DiscDiff 论文中，如何对不同物种进行训练？ 他们训练了一个跨越所有物种的单一模型 —— 而不是每个物种一个模型。 📌 论文中的说法： “我们从15 个物种中收集了 160,000 个 DNA 序列……并在该数据集上训练了一个单一模型。” 阅读全文
posted @ 2025-05-05 04:23 GraphL 阅读(88) 评论(0) 推荐(0)
为什么抗体或者dna和酶都是蛋白质，为什么要设计不同的算法去做预测？
摘要：抗体、DNA 和酶虽然都属于蛋白质，但它们在结构、功能以及研究目的等方面存在差异，因此需要设计不同的算法来进行预测，以下是具体原因： 结构特点不同 抗体 ：由两条重链和两条轻链组成，形成 “Y” 字形结构，其可变区存在互补决定区（CDR），这是决定抗体特异性的关键区域，CDR 的构象多样性使得抗体能 阅读全文
posted @ 2025-05-01 15:01 GraphL 阅读(81) 评论(0) 推荐(0)