机器学习:生成COVID-19抗体序列

2020-05-02 Allan MedSci原创

Lawrence Livermore国家实验室(LLNL)的研究人员通过机器学习已经确定了一套初始的治疗性抗体序列,旨在结合和中和引起COVID-19的病毒(SARS-CoV-2)。

Lawrence Livermore国家实验室(LLNL)的研究人员通过机器学习已经确定了一套初始的治疗性抗体序列,旨在结合和中和引起COVID-19的病毒(SARS-CoV-2)。该研究团队正在对所选抗体进行实验测试。

目前,只有从完全康复患者的血液中收集的抗体能够治疗COVID-19。但随着机器学习的进展,机器学习给COVID-19的抗体研发提供一条更安全、更可靠的途径。

在预印本网站BioRxiv上发表的一篇论文中,LLNL的科学家描述了他们如何使用高性能计算机和机器学习来设计与SARS-CoV-2受体结合域(RBD)结合的候选抗体。科学家将SARS-CoV-1(一种引起严重急性呼吸系统综合症的冠状病毒)的已知抗体结构与机器学习算法相结合,大大提高了SARS-CoV-2抗体序列的设计效率。

原始出处:

https://www.firstwordpharma.com/node/1720820?tsid=1

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=1583236, encodeId=13bb1583236ac, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=53, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Mon May 04 02:02:30 CST 2020, time=2020-05-04, status=1, ipAttribution=)]

相关资讯

ARCH PATHOL LAB MED:利用机器学习简化临床实验室中质谱数据的质量审查

临床质谱仪(MS)检测的周转时间和工作效率会影响将检测结果通知给病人的时间,这主要是由于MS数据分析质量手工核查时间的影响。

AHA2019丨Charles T. Dotter纪念奖:站在巨人的肩上,探索动脉瘤治疗新策略

血管内动脉瘤腔内修复术(EVAR)作为一种微创技术,应用越来越广泛,其手术创伤小,使很多不能耐受手术的高危患者获得救治机会。但由于受到瘤体解剖学条件限制,肾动能不全、造影剂过敏等,可发生内漏导致主动脉扩张或破裂。对术后并发症常采用影像学进行监测,AHA 2019大会的Charles T. Dotter纪念奖专场,加利福尼亚斯坦福大学Mohammad Madani公布的一项研究评估机器学习(ML)在

Stroke:缺血性脑卒中后吞咽功能障碍还能恢复吗?

本研究旨在验证脑卒中后吞咽困难远期功能恢复的临床和影像学指标,利用机器学习建立和验证预测模型。

AASLD年会:新科技!新型机器学习模型可有效预测非酒精性脂肪性肝炎(NASH)发生

非酒精性脂肪性肝炎(NASH)是一种进展性肝脏疾病,最终会发展为终末期肝病。不容乐观的是,当前NASH的知晓率非常低。如何早期发现NASH高危人群,实现NASH的早发现和早干预,无疑是临床实践所面临的一个现实问题。在近日召开的第70届美国肝病研究学会(AASLD)年会上发布的一项最新研究显示,一种新型机器学习方法在预测NASH概率方面具有较高的敏感性。研究者德国美因茨大学医学中心Jorn M. J

Circulation:采用机器学习预测心肌梗死风险的可能性

目前,心肌肌钙蛋白浓度随患者的年龄、性别和样本时间的变化在诊断方法中尚未得到解释。Than等人计划通过机器学习将这些变量结合起来,以提高患者个体的风险评估。采用机器学习算法(心肌-缺血-损伤-指数[MI3]),将年龄、性别和匹配的心肌肌钙蛋白I浓度综合起来,在3013位患者中进行测试,在7998位疑诊心肌梗死的患者中进行验证。MI3采用梯度增强计算一个值(0-100)来反映个人诊断为1型心肌梗死的

Eur Heart J:基于机器学习的心脏再同步治疗患者的死亡率预测

SEMMELWEIS-CRT评分(可在semmelweiscrtscore.com上获得)显示出良好的判别力,可以预测CRT患者的全因死亡率,并且优于现有的风险评分。

拓展阅读

【神麻人智】机器学习预测ICU患者转出后非计划再入ICU或死亡:一项回顾性队列研究

针对 ICU 患者转出后风险预测难问题开展单中心回顾性队列研究,用多种机器学习算法建模型,随机森林在内部数据集表现佳,分析特征影响,虽有成果但存在数据质量、模型解释性等局限,望改进。

European Radiology:基于机器学习的临床决策算法诊断原发性甲状旁腺功能亢进

机器学习(ML)是人工智能(AI)的一个子集,是一种数据科学方法,其中计算机迭代学习而无需使用显式规则编程。由于PHPT是一种异质性疾病,具有不同范围的临床和影像学特征。

Nature:计算蛋白质设计:AI如何重塑生物学的未来

本文介绍计算蛋白质设计与机器学习进展,包括突破、挑战及在结合预测、催化剂设计、构象变化、复杂结构设计等方面的应用,强调合作推动发展及广阔前景。

【论肿道麻】Lancet子刊:一个针对老年重症监护室患者的机器学习病情严重程度评估模型: 一项有亚组偏移评估的多中心研究

作者主要研究了与老年相关的因素,包括营养状况、活动状态、合并症和抢救意愿等,检查了这些因素的特征重要性,并通过按年龄、性别和种族的亚群中的分辨力和校准性能来评估模型偏倚。

Schizophrenia:首次发作精神病患者功能预后多变量预测模型的交叉验证:基于EUFEST和PSYSCAN的研究

本研究在EUFEST和PSYSCAN两大数据集上开发了首次发作精神病患者的功能预后模型。尽管在单一数据集中模型表现良好,但外部验证中准确率显著下降,反映了外部验证对模型临床应用的重要性。

European Radiology:机器学习和深度学习对脑CT转诊的合理性分类

目前,解决CT过度使用的可用方法包括引入新的诊断成像途径,提供替代成像、专家参与、成像后复核以及将每个转诊者的预约频率与部门平均水平进行比较的反馈。