NucleicBERT, modelo de lenguaje que interpreta secuencias de ARN sin datos evolutivos
Hecho Qué ha ocurrido
Investigadores presentaron NucleicBERT, un modelo tipo BERT entrenado con aprendizaje autosupervisado sobre 30 millones de secuencias de ARN no codificante. El modelo predice estructura y función del ARN a partir de una única secuencia, sin necesidad de alineamientos evolutivos, e iguala o supera a herramientas especializadas en varias tareas. Los autores incluyeron análisis de explicabilidad (saliency, mapas de atención) para mostrar qué patrones biológicos aprende el modelo.
Resumen generado mediante IA a partir de Nature · Machine learning (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Reduce la dependencia de datos estructurales escasos y costosos, acelerando potencialmente el descubrimiento de fármacos dirigidos a ARN y la comprensión de regiones no codificantes del genoma.
- Quién se ve afectado
- Investigadores en biología computacional, farmacéuticas y empresas de biotecnología que trabajan con ARN.
- Qué puede cambiar
- Permite predecir estructura y función de ARN de forma más rápida y barata que los métodos experimentales o basados en alineamientos múltiples, ampliando el alcance de análisis a secuencias con pocos homólogos conocidos.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Habrá que ver si el modelo se adopta en pipelines de descubrimiento de fármacos y si se publican comparativas independientes frente a RNA-FM y RiNALMo.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Nature · Machine learning (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗IA científicamodelos de lenguajeaprendizaje autosupervisado ARN BERT bioinformática biología computacional descubrimiento de fármacos
Relacionadas
Un equipo de agentes de IA gestiona una plantilla de fantasy fútbol y aún no supera a los humanos
El periodista Will Knight puso a Codex a gestionar un equipo de fantasy de la Premier League con varios agentes que leen noticias, analizan resultados y crean…
Por qué importaSugiere que la predicción basada en agentes con acceso a información en tiempo real mejora rápido, lo que puede afectar a sectores basados en el…
Un sistema de nariz electrónica con IA permite transmitir olores por internet para reproducirlos a distancia
Un equipo de la Universidad Estatal de Ohio y el Laboratorio Zhejiang presentó Scentronic, un sistema que detecta un olor con seis sensores, lo clasifica con…
Por qué importaMuestra una vía técnica para transmitir sensaciones olfativas a distancia, aunque el resultado aún es de laboratorio y con pocas muestras. Para la…
OpenAI afirma haber logrado avances en tres problemas científicos, pendientes de validación académica
OpenAI asegura que su modelo interno ha contribuido a avances en tres problemas: la conjetura de Kakeya en matemáticas, la hipótesis del tiempo exponencial en…
Por qué importaMuestra que los modelos de frontera de OpenAI se usan para generar resultados de investigación original, lo que obliga a directivos y equipos…
OpenAI afirma que su IA ha resuelto problemas de matemáticas, física e informática con revisión externa
OpenAI afirma que sus modelos internos han resuelto tres problemas clave en matemáticas, física e informática, sin especificar cuáles son esos modelos. Según…
Por qué importaSi los resultados se confirman, podrían cambiar las herramientas que usan los científicos para estudiar problemas complejos. Para un directivo, es…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.