Google DeepMind tritt mit Txgemma, einer Reihe von Open-Source-KI-Modellen, die zur Unterstützung der therapeutischen Entwicklung entwickelt wurden, in biomedizinische Forschung ein. Die Ende März 2025 veröffentlicht, fällt die Initiative für ihre Barrierefreiheit auf und bietet Tools, die auf Hardware für Verbraucher betrieben werden und sich in spezialisierte biomedizinische Workflows integrieren können. Beide sind auf Plattformen wie umarmtes Gesicht und Vertex AI mit colab-Notebooks für praktische Experimente bereitgestellt. href=”https://developers.google.com/health-ai-developer-foundations/txgemma/model-card”target=”_ leer”> Txgemma-Kernmodelle werden auf domänenspezifischen Daten mit Parametergrößen von 2B, 9B und 27B geschult. Die 9B-und 27B-Versionen unterstützen auch die Konversationsinteraktion für Forscher, die einen flexibleren Austausch suchen. href=”https://tdcommons.ai”target=”_ leer”> Therapeutika-Daten Commons (TDC) , wodurch sie chemische Sequenzen, Proteine, Krankheiten und Zelllinien verarbeiten und bewerten können. Anwendungen.
Die Modelle können im beiden Vorhersagemodus-mit schmalen, strukturierten Eingängen für Aufgaben wie Verbindungsklassifizierung-oder in einem Chat-Modus arbeiten, der die Argumentation mit mehreren Drehungen unterstützt. Durch das Anbieten quantisierter Versionen stellt Google sicher, dass sie auf einzelnen GPUs oder TPUs bereitgestellt werden können, ohne die Genauigkeit oder Latenz zu beeinträchtigen. href=”https://github.com/google-geemini/gemma-cookbook/blob/main/txgemma/%5Btxgemma%5Dagentic_demo_with_hugging_face Im Gegensatz zu den Basismodellen konzentriert sich dieser Agent nicht allein auf Vorhersagen. Stattdessen wurde es so konzipiert, dass es ganze Forschungsworkflows mithilfe der Argumentationsfunktionen von Gemini 1.5 Pro und externen Tools wie Alphafold, ESMfold und Literatursuchsystemen durchführt. Es ermöglicht einem Forscher, mit einer Frage zu beginnen-z. B. die Identifizierung von Bindungsstellen für ein Protein-und iterative, Werkzeuge unterstützte Reaktionen mit biologischer Begründung in der Kette der Wechselwirkung. Die Gemma 2-Familie besteht aus Decodierer-Transformatormodellen, die auch auf mobilen und Webplattformen für eine effiziente Bereitstellung optimiert wurden. Diese Modelle wurden so konzipiert, dass sie Modularität und offene Forschungsworkflows unterstützen und sie zu einer passenden Grundlage für biomedizinische Anwendungen bildeten. Dennoch zeigt ihre Nähe zum Release-Kalender die breiteren Vorschriften von Google, um AI-Tools über allgemeine Chat-Modelle hinaus zu erweitern, und in spezialisierteren Feldern. href=”https://deepmind.google/discover/blog/gemma-scope-helping-the-desit-community-shed-light-on-the-inner-weits-of–sprit-language-models/; Während diese Tools nicht explizit mit Txgemma verpackt sind, deutet ihre Existenz auf eine gemeinsame Designphilosophie hin, die sich auf verantwortungsbewusste KI-Verwendung in wissenschaftlichen Bereichen konzentriert. Durch die Veröffentlichung sowohl der Modelle als auch der zugehörigen Tools auf zugänglichen Plattformen hofft DeepMind, die Barriere für akademische Labors, Biotech-Startups und Forscher zu senken, die in ressourcengesteuerten Umgebungen arbeiten. Das Versprechen von Txgemma ist klar, dass die reale Anwendung immer noch Vorsicht erfordert. Quantisierte Modelle können eine verbesserte Effizienz liefern, aber der Kompromiss beinhaltet häufig eine Verringerung der Präzision. In ähnlicher Weise führt die Abhängigkeit von Agentic-TX auf externe Tools in Bezug auf potenzielle Ausfall oder Inkonsistenz ein, abhängig davon, wie gut diese Systeme in bestimmte Workflows integrieren. Die unabhängige Bewertung der Vorhersagen der Modelle ist unerlässlich, bevor sie in klinische Pipelines oder kommerzielle Arzneimittelentwicklungsplattformen aufgenommen werden. Toolkit, kein schlüsselfertiges System
txgemma ist kein End-to-End-Arzneimittelentdeckungsmotor. Stattdessen ist es ein modularer Rahmen-einer, der Forscher einlädt, zu experimentieren, zu iterieren und darüber aufzubauen. Mit Unterstützung von therapeutischen Modalitäten, die von der Proteinstrukturanalyse bis zur Toxizitätsvorhersage reichen, ist es so konzipiert, dass sie sich in bestehende wissenschaftliche Arbeitsabläufe einfügt, ohne die proprietäre Infrastruktur oder Anbieter-Lock-In zu fordern. Mitarbeiter.