图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖

今天为大家介绍的是来自约翰霍普金斯大学的一篇抗体结构预测的论文。抗体能够结合多种多样的抗原，已成为关键的治疗诊断分子。抗体的结合通过一组经过基因重组和突变的六个高度可变环来促进。尽管取得了最近的进展，但这些环的精确结构预测仍然具有挑战性。本文介绍了IgFold，一种用于抗体结构预测的快速深度学习方法。IgFold由一个在5.58亿个天然抗体序列上进行预训练的语言模型组成，然后通过图网络直接预测骨架原子坐标。

论文题目：Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein PocketsPocket2Mol：基于 3D 蛋白质口袋的高效分子采样论文信息：2022 ICML作者团队：北京大学马剑竹（后面跳槽到了清华智能产业研究院）+彭健马剑竹-清华大学智能产业研究院近年来，深度生成模型在设计新型药物分子方面取得了巨大成功。一系列新的研究表明，通过考虑蛋白质口袋的结构，在提高计算机辅助药物设计的特异性和成功率方面具有巨大潜力。

论文标题：3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction基于三维等变扩散的靶点感知分子生成与亲和力预测论文信息：2023 ICLR马剑竹-清华大学智能产业研究院在靶向药物设计过程中包含3D结构显示出优于其他无靶模型的性能。然而，当前的针对靶标的3D模型要么依赖于原子体素化的网格信息，要么依赖于自回归采样过程。同时由于存在旋转不等变问题，这些方案容易违反几何约束，导致结构不真实。

论文标题：Structure-based drug design with equivariant diffusion models作者团队：瑞士洛桑联邦理工学院（EPFL），英国剑桥大学，美国康奈尔大学基于结构的药物设计(Structure-based drug design，SBDD旨在设计能够与预定蛋白质靶点高亲和力和高特异性结合的小分子配体。生成式SBDD方法利用药物与其蛋白质靶点的结构数据来提出新的药物候选物。

论文题目：A deep-learning framework for multi-level peptide–protein interaction prediction发表期刊：2021 Nature Communications曾坚阳-西湖大学交叉科学中心官网肽 - 蛋白质相互作用参与多种基本细胞功能，识别这类相互作用对于设计有效的肽类疗法至关重要。近年来，人们开发了许多计算方法来预测肽 - 蛋白质相互作用。然而，现有的大多数预测方法严重依赖高分辨率结构数据。在本文中，我们提。

AlphaFold系列：一文读懂AF1-3核心技术 - 知乎自DeepMind开发的AlphaFold问世以来，它迅速成为生命科学领域最引人注目的创新之一。从精确预测蛋白质的三维结构，到探索DNA、RNA的复杂构象，AlphaFold的影响已经超越了科学界，其技术突破正在加速基础研究、推动药物开发，并重新定义人类对生命分子基础的理解。那么，AlphaFold的核心技术是什么？它有哪些突破和局限？未来又将走向何方？让我们通过AlphaFold专题文章来走进。

要想了解一个课题，首先需要对该领域的团队和大牛有一个简单的认识，然后开启follow学习。

想对AIDD进行一个简单的认识，找到一个专业的分析报告，即Deep Pharma Intelligence (DPI)是一家市场分析机构，定期发布关于制药和医疗保健行业高潜力领域的分析报告。随着人工智能（AI）的飞速发展，AIDD（AI驱动的药物设计）正成为热点话题，许多人开始相信它能彻底颠覆传统的CADD（计算机辅助药物设计但我们真的应该盲目追捧这个新兴技术吗？AI是否真有能力取代那些经过多年验证的药物设计方法？

最近需要简单了解喜爱AIDD流程以及相关进展调研，看到zaixi zhang正在做相关研究，进行下面的学习记录张载熙中国科学技术大学计算机科学与技术学院2021级博士生（导师刘淇教授），认知智能全国重点实验成员，本科毕业于中国科学技术大学少年班学院。博士阶段研究方向是AI for Science和可信可解释机器学习，以第一作者身份发表CCF-A学术论文9篇，多次获得会议亮点论文(Spotlight)，相关成果已被国际同行引用近900次，引用者包括图灵奖得主Yann LeCun等著名学者。

Transformer是起源于NLP领域，然后在图像、视频、声音等领域都得到了广泛应用的基础架构，是继MLP、CNN、RNN’后的公认的第四大基础模型结构。Transformer技术凭借其卓越的表现和广泛的应用前景，已经成为了机器学习领域的一个关键技术。自从2017年Google提出》一文以来，Transformer架构的出现彻底改变了机器学习和深度学习的格局，尤其是在处理语言模型、生成模型以及多模态学习等领域，Transformer几乎成为了不可或缺的技术基石。

DiffusionModel的基本概念影像生成系统的应用DALL-EImagenDiffusionModel的运作原理生成图片的步骤从高斯分布中采样噪声向量使用Denoise模块逐步去噪从噪声到清晰图片的过程类比米开朗基罗的雕像创作Denoise模型的详细说明反复使用同一个Denoise模型额外输入噪声严重程度数值Denoise模型的内部结构NoisePredictor的作用预测并减去噪声NoisePredictor的训练方法人为创造训练数据。

因为关注AI在医疗上的应用，尤其近期GPT模型的爆发和热潮，于是汇总下LLM4医疗的相关研究进展。

在许多临床和研究环境中，高质量医学影像数据集的稀缺阻碍了人工智能（AI）临床应用的潜力。在较不常见的病症、代表性不足的人群和新兴成像模式中，这个问题尤为突出，因为多样化和全面的数据集往往不足。为了应对这一挑战，我们引入了一个名为 MINIM 的统一医学图像 - 文本生成模型，该模型能够根据文本指令合成各种器官在不同成像模式下的医学图像。临床医生的评估和严格的客观测量验证了 MINIM 合成图像的高质量。

在做任何研究之前，都要对领域内大牛团队，相关学习基础进行一定的了解，于是下面是总结了大牛+数据集+代码快速浏览+期刊会议了解。

最近在调研GNN4Brain相关研究，关注到BrainGB这篇工作，于是进行研读。利用结构或功能连接性绘制人类大脑连接组已成为神经成像分析中最普遍的范式之一。近年来，受几何深度学习启发的图神经网络（Graph Neural Networks，GNNs）因其在建模复杂网络数据方面的卓越能力而备受关注。尽管它们在许多领域表现优异，但对于如何设计有效的用于脑网络分析的 GNNs，仍缺乏系统性研究。为填补这一空白，我们提出了 BrainGB，一个用于图神经网络脑网络分析的基准。

最近在了解肺癌的研究进展，尤其是AI4肺癌（综述），调研结果如下关键词：人工智能；肺癌诊断；自然语言处理；机器学习与深度学习；精准肿瘤学肺癌是全球发病率和死亡率最高的恶性肿瘤之一。肺癌总体五年生存率相对低于许多主要癌症。肺癌的早期诊断和预后对于提高患者生存率至关重要。随着人工智能（AI）方法在肺癌中的广泛应用，近年来早期诊断和预测取得了出色表现。本综述总结了各类 AI 算法在肺癌中的应用，包括自然语言处理（NLP）、机器学习与深度学习以及强化学习。

医疗AI在肿瘤方面应用综述 - 知乎。

【官方教程】【重点参考】【数据集】

分割编辑器模块提供构建肿瘤区域3D模型的工具SlicerDMRI解决方案使得在周边区域进行白质纤维的3D交互式重建成为可能。

定量成像教程定量成像是从医学影像中提取定量测量的过程。本教程基于两个定量成像的例子构建：- 形态学：缓慢生长肿瘤中的小体积变化- 功能：鳞状细胞癌中的代谢活动第1部分：使用变化跟踪模块测量脑膜瘤的小体积变化第2部分：使用PET标准摄取值计算模块测量鳞状细胞癌的代谢活动课程数据位于目录：/QuantitativeImaging- dataset1_MR_Head（头部MR数据集）- dataset2_ChangeTracker（变化跟踪数据集）

大脑解剖● 白质约占大脑的 45%● 有髓神经纤维（大约10微米轴突直径）白质探索朱尔斯·约瑟夫·德杰林（Jules Joseph Dejerine，《神经中心解剖学》（巴黎，1890-1901）：基于髓磷脂染色标本的神经解剖图谱）扩散张量成像（DTI）扩散加权成像（DWI）纤维束成像教程大纲本教程是对扩散MRI分析基础的介绍，从扩散张量的估计到纤维束的交互式3D可视化。教程数据集。

● 这个配准教程展示了如何在Slicer内执行个体内部和个体间的配准。● 作者：Sonia Pujol博士，Dominik Meier博士，Ron Kikinis医学博士。● 受众：对图像配准感兴趣的用户和开发者。● 数据集：3D Slicer配准数据。● 基于：3D Slicer版本4.8；与Slicer 4.10兼容。

对于着色不对的位置，进行重新调整：点击菜单栏处的黄色十字架+选中左侧的segmentation+选中需要绘制模块的颜色（蓝色）+点击paint，在右侧3D区域操作得到（需要注意的是，操作的区域左下角最底部会显示该segment部分是啥）选中不同的color对应的心脏位置区域后，点击paint就对心脏不同位置，填充不同的颜色框在相应的位置进行着色（这个过程中可以通过移动滑块来帮助自己找到对应的区域）右侧移动滑块+移动边框，移动位置找到自己关注的区域即可，然后点击apply(其他参数也要设置的和图片一致）

本教程演示了在Slicer的新分割编辑器模块中进行分割，以3D打印为目的。国家医学影像计算联盟作用举例：创建的脊柱模型的临床应用学习资料分割编辑器模块。

● 开放解剖（OA）浏览器是由神经影像分析中心开发的，基于网络浏览器技术构建的图谱查看器。● OA浏览器将解剖模型和分割图像与语义信息结合起来。本教程提供了对OA浏览器技术的介绍。本教程中的示例基于SPL/NAC大脑图谱。教程大纲第一部分：访问OA浏览器图谱第二部分：查看和与3D模型及分割图像交互第三部分：导航解剖层次结构。

可复现性FAIR原则DICOM（医学数字成像和通信）是处理、存储、打印和传输医学影像数据的国际标准。临床成像设备（如CT扫描仪、MR扫描仪、X射线和超声设备）生成DICOM文件。医学数字成像和通信（DICOM）标准磁共振患者研究序列 序列 序列实例 实例 实例在DICOM数据模型中，一个DICOM研究由多个DICOM序列组成，每个DICOM序列包含DICOM实例。DICOM MRI影像数据一个MRI影像是一个由DICOM头文件和图像数据集组成的DICOM实例的例子。

1) 在上面第七步的的基础上，在模块搜索的菜单栏处，将volumes修改为Volume Rendering，得到，并看到左侧有该影像的Display模块信息。4）在Display模块下的Crop处，勾选上Enable和Display ROI，可以得到如下所示的不同的感兴趣区域框。5） 再次勾选上volume处的眼睛图标，同时拖拽3D影像图上的ROI区域框，可以拖出右侧的肾脏，得到2个肾脏图。6）点击右侧红色区域上的钉子图标，并点击链接图标（将三个图链接起来），继续点击眼睛，得到3D影像图。

3D Slicer 是一个免费的开源软件平台，用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。Slicer 的功能包括：读/写。