151 पेपर
MoleCode एक प्रशिक्षण-मुक्त (training-free), ग्राफ-स्पष्ट आणविक भाषा पेश करता है जो SMILES जैसे अंतर्निहित रैखिक निरूपणों को स्पष्ट संरचनात्मक संबंधों से बदल देता है, जिससे बड़े भाषा मॉडल (LLMs) जटिल रासायनिक कार्यों के लिए बेहतर प्रदर्शन हेतु आणविक टोपोलॉजी के बारे में सीधे तर्क करने और हेरफेर करने में सक्षम होते हैं।
यह शोध पत्र SAE-RNA को प्रस्तुत करता है, जो एक स्पार्स ऑटोएनकोडर मॉडल है जो RNA भाषा मॉडल के निरूपण (representations) को मानव-स्तरीय जैविक विशेषताओं में मैप करके उनकी व्याख्या करता है, जो यह समझने के लिए एक निरूपण-स्तर के प्रोब (representation-level probe) के रूप में कार्य करता है कि ये मॉडल जैविक जानकारी को कैसे व्यवस्थित करते हैं और RNA परिवार की पहचान एवं संरचनात्मक संदर्भ से संबंधित स्पार्स घटकों की पहचान करते हैं।
यह शोध पत्र \themodel{} को प्रस्तुत करता है, जो एक नवीन मल्टी-रेज़ोल्यूशन ट्रांसक्रिप्टोम-गाइडेड डिफ्यूजन फ्रेमवर्क है जो वांछित सेलुलर स्टेट ट्रांज़िशन पर आधारित अणु उत्पन्न करने के लिए बायोलॉजी-केमिस्ट्री डोमेन गैप को पाटकर ट्रांसक्रिप्टोम-आधारित ड्रग डिज़ाइन की इल-पोज़्ड प्रकृति का समाधान करता है।
यह शोधपत्र फ्रीक्वेंसी-स्पेस मैकेनिक्स (Frequency-Space Mechanics) प्रस्तुत करता है, जो एक कोऑर्डिनेट-मुक्त ढांचा है जो प्रोटीन को अनुक्रम या स्थिर संरचना के बजाय कंपन गतिशीलता (vibrational dynamics) पर आधारित यांत्रिक हार्मोनिक्स ग्राफ के रूप में कूटबद्ध करता है, और यह प्रदर्शित करता है कि ऐसे भौतिकी-आधारित निरूपण प्रोटीन के कार्य की सटीक भविष्यवाणी कर सकते हैं और फोल्ड-स्विचिंग (fold-switching) जैसे गतिशील कार्यात्मक अवस्थाओं को कैप्चर कर सकते हैं।
यह शोध पत्र इवोफॉर्मर (Evoformer) आर्किटेक्चर के एक निरंतर-गहराई वाले न्यूरल ओडीई (Neural ODE) फॉर्मूलेशन का प्रस्ताव करता है जो अल्फाफोल्ड (AlphaFold) जैसे पारंपरिक डीप लर्निंग मॉडलों के लिए एक हल्का और अनुकूलनीय विकल्प प्रदान करते हुए, प्लाउज़िबल (plausible) प्रोटीन संरचनाओं की भविष्यवाणी करने की क्षमता बनाए रखते हुए कंप्यूटेशनल लागत और मेमोरी उपयोग को काफी कम करता है।
यह शोध पत्र जॉइंट ग्रोमोव-वासरस्टीन (JGW) ऑब्जेक्टिव का परिचय देता है, जो पारंपरिक ग्रोमोव-वासरस्टीन दूरी का एक विस्तार है जो ज्यामितीय आकार संरेखण से लेकर बायोमॉलिक्यूलर कॉम्प्लेक्स मॉडलिंग तक के अनुप्रयोगों में उत्कृष्ट प्रदर्शन प्रदर्शित करते हुए, कई वस्तुओं के कुशल और सटीक समवर्ती मिलान को सक्षम बनाता है।
यह शोध पत्र कोर्स-ग्रेन्ड मॉलिक्यूलर डायनेमिक्स के लिए एक मशीन-लर्निंग फ्रेमवर्क प्रस्तुत करता है जो पारंपरिक फोर्स मैचिंग को स्टोकेस्टिक हेसियन-वेक्टर प्रोडक्ट मैचिंग के साथ जोड़कर दूसरे क्रम की वक्रता (सेकंड-ऑर्डर कर्वेचर) की जानकारी को शामिल करता है, जिससे बायोमॉलिक्यूलर सिमुलेशन के लिए कोर्स-ग्रेन्ड पोटेंशियल की सटीकता और हस्तांतरणीयता में महत्वपूर्ण सुधार होता है।
यह शोध पत्र Ensembits को प्रस्तुत करता है, जो प्रोटीन संरचनात्मक समूहों (conformational ensembles) को प्रदर्शित करने के लिए डिज़ाइन किया गया पहला टोकेनाइज़र है, जो एक नवीन फ्रेम डिस्टिलेशन उद्देश्य (frame distillation objective) के माध्यम से डायनेमिक्स-जागरूक प्रोटीन लैंग्वेज मॉडलिंग को सक्षम करते हुए अवशेष गति (residue motion) और कार्यात्मक गुणों की भविष्यवाणी करने में मौजूदा स्टेटिक स्ट्रक्चर टोकेनाइजर्स से बेहतर प्रदर्शन करता है।
BioBlobs एक एनकोडर-अज्ञेय (encoder-agnostic), एंड-टू-एंड डिफरेंशिएबल फ्रेमवर्क है जो बिना किसी स्पष्ट सबस्ट्रक्चर-स्तर के एनोटेशन की आवश्यकता के, केवल अवशेषों (residues) के एक छोटे अंश का उपयोग करके, प्रोटीन अनुक्रमों या संरचनाओं से सुसंगत कार्यात्मक उप-संरचनाओं ("blobs") को अनसुपरवाइज्ड तरीके से खोजता है ताकि कार्य का पूर्वानुमान लगाया जा सके और उत्प्रेरक स्थलों (catalytic sites) की पहचान की जा सके।
यह शोध पत्र SoftBlobGIN को प्रस्तुत करता है, जो एक हल्का, प्लग-एंड-प्ले फ्रेमवर्क है जो प्रोटीन लैंग्वेज मॉडल रिप्रेजेंटेशन को कॉन्टैक्ट ग्राफ्स पर प्रोजेक्ट करता है ताकि व्याख्यात्मक, स्ट्रक्चर-अवेयर फंक्शनल सबस्ट्रक्चर्स को सीखा जा सके, जो अंतर्निहित लैंग्वेज मॉडल को पुन: प्रशिक्षित किए बिना एंजाइम वर्गीकरण और बाइंडिंग-साइट डिटेक्शन पर प्रदर्शन में महत्वपूर्ण सुधार करता है और ऑडिट योग्य जैविक स्पष्टीकरण प्रदान करता है।