دورة تعليمية عبر الإنترنت | انخفاض حاد في تكاليف الحوسبة! أطلقت Apple نموذج Ml-simplefold، وهو نموذج طيّ بروتيني قائم على مطابقة التدفقات.
في سبتمبر 2025، أطلقت شركة Apple نموذج الذكاء الاصطناعي خفيف الوزن للتنبؤ بطي البروتين Ml-simplefold. وباعتباره أول نموذج لطي البروتين قائم على مطابقة التدفق، فقد تم اختباره في معايير مرجعية موثوقة مثل CAMEO22 وCASP14.بعد تقليل التكلفة الحسابية، لا يزال SimpleFold يُظهر أداءً مماثلاً لأفضل النماذج مثل AlphaFold2 وRoseTTAFold2.وفي الوقت نفسه، فإن الإصدار الأصغر حجمًا، SimpleFold-100M، يتمتع أيضًا بأداء تنافسي.
بينما تُقدم نماذج طي البروتين التقليدية دقةً مذهلة، إلا أنها تعتمد على عدد كبير من التصاميم المعمارية الخاصة بكل مجال وميزات مُصممة يدويًا. وحدات التحديث المثلثية الشائعة الاستخدام، وآليات التمثيل الزوجي الواضحة، وأهداف التدريب المتعددة في هذه النماذج تجعل التدريب مُكلفًا حسابيًا. علاوة على ذلك، تفتقر البنية والأجهزة إلى قابلية التوسع، مما يُصعّب دعم إنشاء هياكل متنوعة أو التنبؤ بمجموعات البيانات.
تهدف إلى معالجة العيوب الشائعة في الطرق التقليدية،يقترح SimpleFold إطار عمل توليدي عام يعتمد بشكل كامل على Transformer، مما يكسر اعتماد نماذج طي البروتين على البنيات المعقدة:
* استنادًا إلى تقنية Flow Matching، فإنه يتخطى الوحدات المعقدة مثل محاذاة التسلسل المتعدد (MSA) ويولد مباشرة البنية ثلاثية الأبعاد للبروتينات من الضوضاء العشوائية، مما يقلل بشكل كبير من التكاليف الحسابية؛
* اعتماد بنية عامة تتخلى عن وحدات محددة مثل تحديث المثلث وتمثيل الزوج، باستخدام المحول القياسي فقط وتعزيز إدراك الهيكل من خلال الطبقات التكيفية؛
* أُضيفت قيود هيكلية لمنح النموذج مرونةً وتناسقًا ماديًا أكبر عند توليد هياكل بروتينية ثلاثية الأبعاد. يمكن لنموذج معلمات 3B المُدرَّب على بيانات هيكلية 9M أن يعمل بسلاسة على أجهزة مخصصة للمستهلكين، مما يُقلل بشكل كبير من الحد الأقصى للحسابات.
"Ml-simplefold: نموذج ذكاء اصطناعي خفيف الوزن للتنبؤ بطي البروتين" متوفر الآن على موقع HyperAI Hyperneuron (hyper.ai) في قسم "البرامج التعليمية". شغّله بنقرة واحدة لتجربة أحدث أداة لتوليد البروتين.
رابط البرنامج التعليمي:
تشغيل تجريبي
- أدخل عنوان URL hyper.ai في متصفحك. بعد الدخول إلى الصفحة الرئيسية، انقر على صفحة "البرنامج التعليمي"، ثم اختر "نموذج طي البروتين بناءً على مطابقة التدفق"، ثم انقر على "تشغيل هذا البرنامج التعليمي عبر الإنترنت".
- بعد الانتقال إلى الصفحة التالية، انقر فوق "استنساخ" في الزاوية اليمنى العليا لاستنساخ البرنامج التعليمي في الحاوية الخاصة بك.
- اختر صورتي "NVIDIA RTX A6000 48GB" و"PyTorch" وانقر على "متابعة". توفر منصة OpenBayes أربعة خيارات دفع: الدفع حسب الاستخدام أو باقات يومية/أسبوعية/شهرية. يمكن للمستخدمين الجدد التسجيل باستخدام رابط الدعوة أدناه للحصول على 4 ساعات مجانية من بطاقة RTX 4090 و5 ساعات مجانية من استخدام المعالج!
رابط دعوة حصرية لـ HyperAI (انسخ وافتح في المتصفح):
https://openbayes.com/console/signup?r=Ada0322_NR0n
٤. انتظر حتى يتم تخصيص الموارد. تستغرق عملية الاستنساخ الأولى حوالي دقيقتين. عندما تتغير الحالة إلى "قيد التشغيل"، انقر على "فتح مساحة العمل" للانتقال إلى صفحة العرض التوضيحي.
عرض التأثير
فيما يلي صفحة استخدام Ml-simplefold. انقر على "README" للانتقال إلى واجهة التوليد.
أدخل أوصاف معلمات الأحماض الأمينية في المناطق المقابلة وانقر فوق "تشغيل" للحصول على ملف البروتين المتوقع وهيكل الذرات بالكامل وصورة التصور ثلاثية الأبعاد المدمجة مع هيكل GT.
ما سبق هو البرنامج التعليمي الذي توصي به HyperAI هذه المرة. الجميع مدعوون للحضور وتجربته!
رابط البرنامج التعليمي: