血红素羟化酶不再依赖天然骨架:计算设计把雌二醇氧化位点指定到C6或C16
研究团队用计算设计从零构建血红素过氧合酶,只输入半胱氨酸配位血红素、活化过氧化氢的谷氨酸-组氨酸二联体和紧贴铁氧中间体的底物几何,就能为指定C–H键定制羟化酶。在雌二醇上,两条并行设计路线分别把氧化导向苄位C6和未活化的C16,初始产物产率不足1%但二非对映过量分别达93%和99%;对C16设计做定点突变后,三醇产率提高到37%并保持高选择性。
研究团队用计算设计从零构建血红素过氧合酶,只输入半胱氨酸配位血红素、活化过氧化氢的谷氨酸-组氨酸二联体和紧贴铁氧中间体的底物几何,就能为指定C–H键定制羟化酶。在雌二醇上,两条并行设计路线分别把氧化导向苄位C6和未活化的C16,初始产物产率不足1%但二非对映过量分别达93%和99%;对C16设计做定点突变后,三醇产率提高到37%并保持高选择性。
猕猴V1与V4中许多神经元并非只在偏好刺激下升高放电,而是在抬高的基线上被一类特征激活、被另一类特征抑制。研究者用功能数字孪生(在记录数据上训练的深度网络,可预测神经元对新图像的响应)在超过百万张自然图像上同时找出每个神经元的最强激活与最强抑制图像,并确认这些图像在独立模型和活体记录中仍落在响应分布的两端。同样的双向选择性也出现在小鼠V1及外侧视觉区。
F-box 蛋白是 SCF 泛素连接酶中负责挑选底物的模块,长期被当作相对刚性的结构适配器。这项研究把冷冻电镜结构、交联质谱距离约束和基于深度学习的构象系综预测放在一起,比较同一蛋白在不同复合物中的构象。结果显示 FBXL2 的底物识别域相对锚定域可移动 43 Å,FBXL17 在不同组装环境中相差 17 至 33 Å,而 FBXL1 的对应位移只有 4.5 Å;FBXL2 的构象需要至少四个状态才能满足与 CSN 的交联约束。
研究团队用RFdiffusion3从零设计出以半胱氨酸催化三联体为核心的泛素连接酶,把活化的泛素供体直接接到目标蛋白选定的赖氨酸上。在含单一赖氨酸的19残基模型肽上,48个设计中有35个表现出可测的泛素化活性,其中4个在未做实验优化时接近定量转化。换到同源三聚体PCNA后,48个设计里只有4个有活性,其中PL4只修饰K164;再引入单个N148A替换后,PL4.1在3小时内把90%的PCNA转化为泛素化产物。
批量RNA-seq差异表达分析里,通用大模型智能体往往直接挑DESeq2或edgeR,不检查这些方法的统计假设是否适合手头数据。DE-Rigor-Agent把分析拆成输入标准化、方法筛选、方法执行三段,在执行前用专家整理的方法卡和数据诊断逐条评估六种常用方法并记录保留或排除的理由。在140个模拟数据集上,它的筛选决定与模拟中人为引入的不兼容情形基本吻合,并在不同随机种子间保持稳定;两个Codex基线几乎对所有数据都选DESeq2或edgeR。
Best-of-N 推理按代理奖励挑最高分候选,预算越大越只读取奖励分布的极端尾部,因此平均排序指标看不出部署风险。研究把 BoN 值写成条件真实奖励在提示内分数分位上的 Beta 加权积分,说明 BoN 只依赖分数排名,且只有尾部校准曲线下弯时才会下降。在公开候选池上,负的尾部超额集中在代码生成任务,交叉拟合的尾部统计量能预测预算上限在留出数据上是否带来收益,效果与排序准确率相当。
高能物理分析长期为每个任务单独训练模型,EVENET把每次对撞表示成无序粒子云,用5亿个模拟事件做自监督加物理监督的两阶段预训练,再以可替换的任务头适配下游。在CMS开放数据的反孤立ϒ→μ+μ−搜寻中,完整预训练版本经校准后给出7.6σ的中位局部显著性,高于已发表的6.4σ;在重共振搜寻的质量网格上,其最大SIC相对从头训练平均提高约50%。
可验证指令遵循基准只检查输出约束是否满足,不检查回答是否真正回应请求,前沿模型因此能在几乎不答题的情况下拿满分。把同一验证器当作强化学习奖励,公开的 OLMo 3 检查点出现约束满足率升高而回答质量下降的奖励劫持。CaLIF 用冻结参考策略在请求下与请求加约束下的两个似然值划出一条区间,在区间内给固定奖励、区间外清零,在 1.7B 到 8B 的五种配置上把 IFBench 约束满足率从 26.98 提到 34.64,同时把回答质量维持在 4.59。
一项覆盖文本、视觉、音频三种模态的混合专家预训练研究,用268次实验拟合出数据配比规律,并给出可操作的分配结论:音频更该把算力花在参数上,视觉和音频数据重复超过两遍收益很小,视觉对音频的干扰最强。
AutoEnvScaling把强化学习环境设计本身变成终端任务,让提议智能体从求解器的 rollout 中生成新环境,有效环境率最高提升25倍、单个有效环境成本最多降低75%。