HyperAIHyperAI

Command Palette

Search for a command to run...

Alphafold3-Abhängigkeitsdatenbank

Datum

vor 2 Jahren

Organisation

DeepMind

Veröffentlichungs-URL

github.com

Paper-URL

github.com

AlphaFold3 ist ein revolutionäres Programm für künstliche Intelligenz, das 2024 von DeepMind entwickelt wurde und einen großen Durchbruch auf dem Gebiet der Proteinstrukturvorhersage erzielt hat. Die relevanten Papierergebnisse sindPräzise Strukturvorhersage biomolekularer Interaktionen mit AlphaFold 3" und gewann den Nobelpreis. Die Datenbank enthält eine große Anzahl von Protein- und RNA-Datenbanken, auf die AlphaFold 3 angewiesen ist, darunter 9 Datenbanken: BFD small, MGnify, PDB, PDB seqres, UniProt, UniRef90, NT, RFam und RNACentral. Hinweis: Die Abhängigkeitsdatenbank ist nach der Dekomprimierung bis zu 630 GB groß. Um Unterbrechungen des Downloadvorgangs zu vermeiden, stellen Sie bitte sicher, dass Sie über genügend Festplattenspeicher, Bandbreite und Zeit zum Herunterladen dieser Datenbanken verfügen..

Zitat

@article{Abramson2024, Autor = {Abramson, Josh und Adler, Jonas und Dunger, Jack und Evans, Richard und Green, Tim und Pritzel, Alexander und Ronneberger, Olaf und Willmore, Lindsay und Ballard, Andrew J. und Bambrick, Joshua und Bodenstein, Sebastian W. und Evans, David A. und Hung, Chia-Chun und O'Neill, Michael und Reiman, David und Tunyasuvunakool, Kathryn und Wu, Zachary und Žemgulytė, Akvilė und Arvaniti, Eirini und Beattie, Charles und Bertolli, Ottavia und Bridgland, Alex und Cherepanov, Alexey und Congreve, Miles und Cowen-Rivers, Alexander I. und Cowie, Andrew und Figurnov, Michael und Fuchs, Fabian B. und Gladman, Hannah und Jain, Rishub und Khan, Yousuf A. und Low, Caroline MR und Perlin, Kuba und Potapenko, Anna und Savy, Pascal und Singh, Sukhdeep und Stecula, Adrian und Thillaisundaram, Ashok und Tong, Catherine und Yakneen, Sergei und Zhong, Ellen D. und Zielinski, Michal und Žídek, Augustin und Bapst, Victor und Kohli, Pushmeet und Jaderberg, Max und Hassabis, Demis und Jumper, John M.}, Zeitschrift = {Nature}, Titel = {Genaue Strukturvorhersage biomolekularer Wechselwirkungen mit AlphaFold 3}, Jahr = {2024}, Volumen = {630}, Nummer = {8016}, Seiten = {493–500}, doi = {10.1038/s41586-024-07487-w} }

KI mit KI entwickeln

Von der Idee bis zum Launch – beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und bestem GPU-Preis.

KI-gestütztes kollaboratives Programmieren
Sofort einsatzbereite GPUs
Die besten Preise

HyperAI Newsletters

Abonnieren Sie unsere neuesten Updates
Wir werden die neuesten Updates der Woche in Ihren Posteingang liefern um neun Uhr jeden Montagmorgen
Unterstützt von MailChimp
Alphafold3-Abhängigkeitsdatenbank | Datensätze | HyperAI