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=20, 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

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。

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

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

Psychol Med:机器学习方法优化精准医疗以优化抑郁症治疗

集成机器学习算法在预测七种第二步治疗的缓解状态方面表现出差异分类性能。对于全套预测变量,AUC 值范围为 0.51 至 0.82,具体取决于第二步治疗类型。预测缓解对认知疗法最成功。

【综述】| 人工智能在类器官研究中的应用进展与挑战

本文旨在综述人工智能在类器官研究中的最新进展,探讨人工智能在类器官研究应用中的潜能。

European Radiology:机器学习模型,实现食管癌患者化疗后病理完全缓解的无创预测!

放射组学是一个新兴的领域,其使用算法从放射医学图像中提取大量的特征,包括CT、PET和MRI。然而,在大多数国家,FDG-PET和MRI都不常用作为EC的常规术前评估。

European Radiology:CT机器学习模型在肝硬化静脉曲张出血预后预测方面的价值

研究表明,在大约50%的肝硬化患者中,胃食管静脉曲张是最危险的静脉曲张,有急性出血的风险。

European Radiology:机器学习在肺气肿评分中的应用

肺气肿的特征是肺泡壁破坏,气体交换受损和过度膨胀,在胸部CT图像上表现为低密度区。COPD是不可逆的,应尽早诊断以防止病情进展。

Sci Transl Med:机器学习+扩增子片段组测序实现灵敏的癌症早期检测

研究发现,A-PLUS的部分功效可以归因于一个单一的特征——实体癌患者cfDNA中Alu元件的整体减少。