而“ Cazatalantos de ai”梅塔·扎克伯格（Meta Zuckerberg）的战争创始人，他的妻子普里西拉·陈（Priscilla Chan）的“ AI偷猎战争”也在AI模型领域取得了新的成就。扎克伯格（Zuckerberg）和他的妻子普里西拉·陈（Priscilla Chen）（资料来源：信息）十年前，扎克伯格（Zuckerberg）和他的妻子，来自美国哈佛大学的一名毕业生，由陈·扎克伯格（Chan Zuckerberg）共同创立了一项由人类健康和跨国公司合作，通过人类健康和社交社交，由人类健康和社交效率和社交社交效果。当时，扎克伯格还承诺捐赠99％的Facebook行动来支持该组织[1]。 Priscilla Chen是CZI日常操作管理的关键人物。最近，该组织发布了一个名为RBIO的推理模型，RBIO是一种基于磨牙 – 尺度大型德罗的生物推理模型。这也是基于虚拟单元模型的仿真结果的训练模型。哟您可以学习虚拟细胞模型的推理技能。相关文章也发表在Biorxiv中。应该注意的是，虚拟细胞是通过计算模型和数学模拟来模拟真实细胞的结构，功能和行为的研究工具。 （来源：数据图像）在培训过程中，RBIO在统一的自然语言模型中从虚拟细胞模型中提取的信息蒸馏，使用户可以轻松实现详尽的推论，并逐步逐步解决复杂的生物学问题。该过程将虚拟细胞模型转换为推理模型的“生物学老师”，并避免了仅根据实验数据作为培训基础的限制。通过将一个或多个虚拟细胞模型的能力与大型模型的对话接口相结合，我们希望人们可以基于大量的基本生物学模型进行生物学问题进行研究。同时，RBIO不需要解测t纠正或不正确的硬标签，但使用模型退出的一致性作为反馈来了解生物学不确定性。整合多个生物学模型的知识，以将系统的复杂推断为多个量表，从而使研究人员可以信任直接的实验数据。他们可以预测，解释和设计研究。在培训过程中，该模型使用生物学习模型来获得生物学知识进行验证。研究人员说，所使用的软验证方法可以提炼RBIO的世界模型。以扰动为例，RBIO显示了与最新一代模型相比，RBIO显示了干扰点干扰的关键性能。同时，他们还验证了组合验证器的好处，以构建更通用的RBIO模型。我认为RBIO提供了良好的概念证明。我们表明，生物模型的预测结果可用于训练通过SIM不使用实验数据的情况。生成了强大的推理模型。这绝对代表了一个全新的培训范式。通常，RBIO取消传统模型。这使用了对生物世界模型的模拟结果作为“软选民”的结果，将虚拟细胞模型转换为训练环境，以推断增强学习，从而吸收了先前模型器的核心知识。关于RBIO的功能：首先，在参考干扰问题时，RBIO可以通过口服信号来预测遗传干扰的影响。其次，即使使用无关的仿真数据训练，交叉任务概括函数也可以在看不见的干扰任务上提高性能。例如，研究人员培训了有关转录形式基因表达并发的模拟数据，这是Chen Zuckerberg倡议下的虚拟细胞模型之一。同样，竞争结果是ACHie。仅使用模型生成的数据（没有工具或对测试搜索的依赖性），DimbsQA中的RBIO性能达到了最先进的水平（这是由研究人员根据硬实验数据训练的消融模型定义的。 （来源：https：//www.biorxiv.org/content/10.1101/2025.08.18）。根据Inforlinkedin的统计，八年已经从事了Chan Zuckerberg倡议。图| Donghui li是相关文档的合作者之一（来源：数据图像）RBIO核构型以一般术语，推理模型接受了验证形式系统（例如代码和符号数学）的验证机制。但是，在生物学等领域，人们通常无法获得可以支持正式大规模验证的精确规则，因此通常有必要通过实验室假设检验评估预测的有效性。通过实际实验验证不仅缓慢而昂贵，而且不能be以计算量表进行攀爬。 RBIO的成功出现表明，人们可以使用世界的生物学模型或其他先前知识作为生物知识的近似验证机制（fuente：fuente：Imagen deatos）en el proceso de disesodediseñoderbio，los los develldores los Invevelastores superan El superan El esloran el esloran el isalan el suparter el saperan el de transmitir de transmitir el conocimientobiológicobys the Models a Mode Models Greans。在以前的大型模型中，他的最初设计意图是从具有清晰结果的问题中学习，例如“ 2+2 =？”。或“由氢和氧组成的水”。罪恶禁运，洛斯（Los）biológicosdeben incluir diversos grados de incertidumbre，como si los nuevosmedicamentospodríancurar ciertos ciertoscánceres。根据成绩单，研究人员创新了如何培训大型模型。他们使用准备的语言模型作为RBIO学习的框架和学习强化。实际上，这也是AI领域中的一种常见技术，并且由于提供了正确的方式，模型得到了奖励回答。 SIN禁运，Esta Vez，Los InveppadIODORES NO USARON la forma de“ derechos y prechuntas Incorrectas”，Sino que ajustaron la larearaciónderecompensa en funcimen enfunciónfuncióndela la la la probabilidad corret该模型的响应。这种新方法使RBIO可以学会提出与生物现实一致的假设，从而提高精度，一致性和科学价值。使用虚拟单元的力量的大型模型。据了解，接收指令后通过转录返回的结果是复杂的数据，并且用户可以使用通用语言使用RBIO。例如，在培训期间，研究人员组织了RBIO如下：另外，作为推论模型，RBIO是另一种表示表示，但基本上可以回答相同的问题。但是，如果您训练使用“软”评估指标的大型模型，则模型输出可能不准确。为了确保RBIO不会被误解，研究人员将其表现与多个参考模型。 RBIO比细胞的Varyans标记和干扰预测任务更好。这表明虚拟细胞模型可以训练可以“推断生物学问题”的大型可靠模型。具体而言，RBIO的第一个版本比某些类似和参考模型（例如干扰点干扰的Qwen2.5）更好。当使用思想链时，其性能与高性能RBIO消融模型相当，该模型根据实验数据进行了直接训练。同时，RBIO可以显着提高对扰动任务的理解，例如对基因的激活/抑制，从而了解与干扰任务无关的转录模型样品的零样品。该结果表明，虚拟细胞模型中包含的可转移知识具有重要的后续研究值。尽管RBIO可以接受各种细胞生物学研究方法，但该模型最初是经过训练的依赖性的关于干扰模型，基因的CO表达模式的信息以及从转录本提取的基因调节路径。这种多功能模型可以在不同的物种和发育阶段对不同类型的细胞和状态进行分类。用户可以提出RBIO问题，例如“抑制基因A会导致B基因的活动更大的效果？”使用时。作为回应，该模型提供了有关细胞中随后变化的信息，例如从健康状态到疾病的过渡。鉴于全新的数据和假设，RBIO可以预测研究的结果，节省研究人员的时间，并避免在昂贵的实验室研究中投入时间和资源，以证明和排除多个假设。这些问题的答案是加深与神经退行性疾病（如阿尔茨海默氏病）相关的基因相互作用的辩解，并促进早期干预方法的发展。我预计即使在一天之内，也会完全封锁这些疾病。据了解，“ AI的RBIO认为是科学家”是Chen Zuckerberg倡议的愿景的另一个重要进步，该计划构建了“可能是科学家”的AI系统。像RBIO这样的IA系统旨在从虚拟单元格中从模型和数据中产生新的知识学习。在RBIO的开发中，Chan Zuckerberg倡议将建立更广泛的框架，以整合虚拟细胞模型的广泛知识。目前，RBIO位于Chen Zuckerberg提出的虚拟单元平台上。自动学习专业人员还可以使用RBIO框架来使用RBIO明确训练自己的大型模型或DIR参考模型。目前，RBIO的经验仅限于遗传障碍领域，但是可以将转录引导的所有细胞生物学知识传授给RBIO。将来，可以在虚拟单元平台上使用一组虚拟单元模型来训练类似的推断模型以实现从最小分子到最大系统的细胞的整体理解。尽管RBIO已经对科学研究应用有要求，但研究人员仍在继续优化用户体验。这是因为这种“加强对话中推论模型的问题解决机制”提出了一系列挑战。一个重要的问题是，必须为模型建立适当的保护机制，以防止RBIO响应其专业化之外的问题，并且此类安全措施也是所有“负责任大型模型的负责任开发”的共同链接之一。毫无疑问，AI已经在加快生物学研究的节奏。虚拟细胞模型允许研究人员避免浪费的实验，但是大型模型为通过对话积累知识提供了方便的方式。 RBIO结合了这些好处，展示了使用AI解决生物学挑战的框架域中的经验。陈·扎克伯格（Chen Zuckerberg）的虚拟细胞模型通过米莉（Millie）继续增长的程度进行了捍卫，预计诸如RBIO之类的推论模型可以帮助科学家研究和开发治疗并实现相关疾病的预防。参考：1.https：//web.shobserver.com/wx/detail.do？ id = 8061Https：//virtualcellmodels.cziscience.com/model/rbiohttps：///ww w.biorxiv.org/content/10.1101/2025.08.18.670981v2https：// //www.linkedin.com/inonghui-li/details/suduce/ https://www.linkedin.com/posts/teofanis-karaletos-57479262_rbio1-training-scientific-llms-xivity-7364311052425072646-pz6x/tepestion:金隆
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息存储服务。
注意：以前的内容（如果您有照片或视频）将由NetEase Hao的用户，一个社交媒体平台，仅提供信息存储服务。
