筛选结果
12 篇排序
1:29:30EN → 简体中文2500 个化合物,51% 的命中率:一个小型图网络如何找到新抗生素主持 Nathan LabenzMIT 的 Jim Collins 向 Nathan Labenz 讲述:一个没有正式经费的 2018 年项目,加上二元生长抑制标签和 Chemprop 图网络,如何从实验室根本无法人工筛查的化学空间中找出新抗生素。
2:02:27EN → 简体中文她本想做镜像生命,后来却说服整个领域停下来主持 Nathan Labenz明尼苏达大学遗传学家 Kate Adamala 与 Nathan Labenz 讨论:为什么所有已知生物都共用同一套化学字母表,以及翻转这套字母表、制造镜像生命(mirror life),为何是一条最好不去探索的合成生物学分支。
1:12:29EN → 简体中文谷歌 AI Co-Scientist 破解了人类多年没看出的噬菌体谜题主持 Nathan Labenz帝国理工学院的科学家 José Penadés 和 Tiago Costa 在 Podovirus 播客上讲述:一个尚未公开的谷歌系统,如何复原了他们尚未发表的答案,即没有尾部的衣壳会去结合游离的噬菌体尾部。
1:43:54EN → 简体中文培育一个脑类器官要一年,模拟一次只要一小时主持 Nathan Labenz斯坦福博士后 Siyu He 向 Nathan Labenz 讲述 Squidiff 和 CORAL 如何把单细胞实验与空间实验搬进电脑,以及这些模型目前还做不到什么。
1:33:01EN → 简体中文罕见病并不罕见:哈佛基因猎人如何用 o1-pro 处理测序漏掉的病例主持 Nathan Labenz波士顿儿童医院的 Catherine Brownstein 博士解释了为什么便宜的基因组让她的工作更难了,为什么数据共享仍然胜过任何模型,以及 ChatGPT Pro 究竟在哪些地方为她省回了时间。
1:13:23EN → 简体中文AI 找到 γ-氨基丁酸(GABA)与癌症的关联,下一步是与细胞对话主持 Nathan LabenzMichael Levin 与 Leo Pio Lopez 谈一种曾预测出黑色素瘤的多层嵌入方法、一种没有基因突变的癌症,以及生物学真正的接口为什么是认知。
1:18:32EN → 简体中文一个能分辨哪些基因碰不得的 DNA 模型主持 Nathan Labenz斯坦福大学的 Brian Hie 讲解混合架构、一个只用 DNA 训练的基因组尺度语言模型,以及一种结合紧密程度比天然抗体高 25 倍的抗体。
1:30:37EN → 简体中文64 字节的随机代码里,计算生命还是冒了出来主持 Nathan Labenz谷歌研究员 Ettore Randazzo 和 Luca Versari 表明,自复制体可以从一锅随机字符串中自发出现,根本不需要任何适应度函数(fitness function)。
1:59:15EN → 简体中文一分钟生成蛋白质骨架:AI 生物学的真实进展、瓶颈与风险主持 Nathan Labenz白宫为生物模型设定的报告门槛,比语言模型低了一千倍。这场对话说明,这道差距如今看来很有先见之明。
1:25:09EN → 简体中文双头涡虫、再生的腿,还有一个学会等待的排序算法主持 Nathan Labenz塔夫茨大学生物学家 Michael Levin 在《The Cognitive Revolution》节目中说明,为什么解剖结构是可以改写的软件,以及他为什么叫停了一篇可能让 AI 更像有生命的论文。
1:03:59ENBuilding a World Model of Life: Biohub's Alex Rives on Why Better Measurement Must Come Before Virtual Cells主持 Nathan LabenzBiohub's head of science explains why today's virtual cell models fall short, how a $1.8 billion data push aims to fix it, and what a five-year information-level model of the cell could unlock.
1:45:55ENFrom Static Structures to Moving Molecules: Where AI for Protein Design Stands After AlphaFold 3主持 Nathan LabenzComputational biochemist Amelie Schreiber walks Nathan Labenz through six months of progress in structure prediction, molecular dynamics, peptide and antibody models, and early agent-driven design workflows.








