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

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=67, 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=)]
    2020-05-04 ms6279672939590805

    #机器#

    0

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

超罕见神经遗传病个性化反义寡核苷酸治疗有了 “指南针”,1M1M 最佳实践框架构建三轴评价体系

提出针对极罕见中枢神经系统疾病及突变的个体化抗义寡核苷酸(ASO)疗法评价的多维度最佳实践框架。从基因变异、疾病特征及患者个体三大轴系统化评估患者的受益-风险平衡,促进精准基因治疗的科学决策。

International Forum of Allergy & Rhinology:机器学习揭示慢性鼻窦炎合并慢性嗜酸性粒细胞性肺炎的关键预测特征

本研究通过机器学习方法分析了372例慢性鼻窦炎(CRS)患者的数据,发现血液嗜酸性粒细胞计数≥1446/μL、白细胞计数≥9.25×10³/μL和C反应蛋白≥0.335 mg/dL可预测CRS。

Front Immunol:机器学习预测鼻咽癌患者远处转移的风险:基于1845例临床大数据的研究

通过机器学习方法构建远处转移预测模型,首次在中国较大规模人群中融合临床、实验室及治疗数据,AUC达0.85,模型预测效能优异。

Schizophrenia Bulletin:多模态数据 + 机器学习早期青少年自杀企图预测模型的跨领域突破

通过早期青少年单时间点的多模态数据可有效预测未来自杀企图,且神经认知和地理编码等非传统临床数据具有重要贡献。

Translational Psychiatry:基于智能手机传感器数据的机器学习模型预测严重精神疾病患者负性情绪

集成机器学习模型能有效预测SMI患者的负性情绪,AUC达0.72-0.79,GPS变量为关键预测因子。个性化集成方法通过整合跨个体信息,较单一模型显著提升预测性能,且行为-情绪关联存在显著个体差异。

BMC Med.:中国学者证实重度抑郁症患者的笔迹表现出特征性改变

本研究表明抑郁症患者的笔迹会表现出特征性改变,并提出了一种经济高效、快速有效的识别抑郁症的模型。这一发现进一步揭示了抑郁症的客观指标,并为未来开发多模态识别模型奠定了坚实的基础。