Stand: April 2026
Phonos integriert und verwendet verschiedene Machine-Learning-Modelle, Bibliotheken und Softwarekomponenten von Drittanbietern. Wir sind den Forscherinnen und Forschern, Entwicklerinnen und Entwicklern sowie Organisationen dankbar, die ihre Arbeit der Community zur Verfügung gestellt haben. Diese Seite enthält Zuschreibungen und Lizenzinformationen für sämtliche in unserer Plattform verwendeten Komponenten von Drittanbietern.
Beschreibung: Vorhersage von Proteinstrukturen aus Aminosäuresequenzen
Ersteller: Meta Fundamental AI Research Protein Team (FAIR)
Lizenz: Der Code ist unter Apache 2.0 lizenziert; die Modellparameter sind unter CC BY 4.0 lizenziert
Zitation: Lin, Zeming et al. "Evolutionary-scale prediction of atomic-level protein structure with a language model." Science 379.6637 (2023): 1123-1130.
Repository: https://github.com/facebookresearch/esm
Beschreibung: Molekulares Docking zur Vorhersage von Protein-Ligand-Bindungsposen
Ersteller: Gabriele Corso, Hannes Stark, Bowen Jing, Regina Barzilay und Tommi Jaakkola (MIT)
Lizenz: MIT-Lizenz
Zitation: Corso, Gabriele et al. "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking." International Conference on Learning Representations (ICLR) 2023.
Repository: https://github.com/gcorso/DiffDock
Beschreibung: Hochpräzise Vorhersage von Proteinstrukturen
Ersteller: DeepMind (Google)
Lizenz: Der Code ist unter Apache-Lizenz 2.0 lizenziert; die Modellparameter sind unter CC BY 4.0 lizenziert (von CC BY-NC 4.0 geändert, um die kommerzielle Nutzung zu ermöglichen)
Zitation: Jumper, John et al. "Highly accurate protein structure prediction with AlphaFold." Nature 596.7873 (2021): 583-589.
Repository: https://github.com/google-deepmind/alphafold
Beschreibung: Deep-Learning-basierter Entwurf von Proteinsequenzen
Ersteller: Justas Dauparas et al., Baker Lab, University of Washington
Lizenz: Der Code ist unter MIT-Lizenz lizenziert; die veröffentlichte Arbeit ist unter CC BY 4.0 lizenziert
Zitation: Dauparas, Justas et al. "Robust deep learning-based protein sequence design using ProteinMPNN." Science 378.6615 (2022): 49-56.
Repository: https://github.com/dauparas/ProteinMPNN
Beschreibung: Vorhersage von Metallionen-Bindungsstellen mittels 3D-Convolutional-Neural-Networks
Ersteller: Laboratory of Computational Biology and Chemistry (LCBC), EPFL
Lizenz: Der Code ist unter MIT-Lizenz lizenziert; die Netzwerkgewichte sind unter CC BY 4.0 lizenziert
Zitation: Torrisi, Mirko et al. "Metal3D: a general deep learning framework for accurate metal ion location prediction in proteins." Nature Communications 14 (2023): 2606.
Repository: https://github.com/lcbc-epfl/metal-site-prediction
Beschreibung: Biomolekulare Strukturvorhersage für Proteine, Nukleinsäuren und kleine Moleküle
Ersteller: MIT CSAIL (Computer Science and Artificial Intelligence Laboratory)
Lizenz: MIT-Lizenz
Zitation: Wohlwend, Jeremy et al. "Boltz-1: Democratizing Biomolecular Interaction Modeling." bioRxiv (2024).
Repository: https://github.com/jwohlwend/boltz
Beschreibung: Erzeugung und Analyse von DNA-Sequenzen mittels Foundation Models
Ersteller: Arc Institute und Together AI
Lizenz: Apache-Lizenz 2.0
Zitation: Nguyen, Eric et al. "Sequence modeling and design from molecular to genome scale with Evo." Science (2024).
Repository: https://github.com/evo-design/evo
Beschreibung: GPU-Compute-Infrastruktur für die Ausführung von KI/ML-Modellen
Anbieter: Nebius AI
Zweck: Bereitstellung von GPU-Compute-Ressourcen, die für die Ausführung von KI/ML-Modellen wie Boltz2, Evo2 und weiteren Rechenmodellen erforderlich sind
Standort: Europäische Union
Webseite: https://nebius.ai/
Beschreibung: GPU-Compute-Infrastruktur, die ausschließlich zu Demonstrations- und Testzwecken genutzt wird
Anbieter: NVIDIA Corporation
Zweck: Demo-Umgebung zur Präsentation der KI/ML-Fähigkeiten. Wird nicht zur Verarbeitung von Produktionsnutzerdaten eingesetzt.
Standort: USA
Webseite: https://www.nvidia.com/en-us/data-center/dgx-cloud/
Beschreibung: Konversationsbasierte KI-Unterstützung für den Projektchat, die Dateianalyse und die KI-gestützte Suchfunktion (optionale Funktion, aktivierbar über @gemini-Erwähnungen oder die Nutzung der Suche)
Anbieter: Google LLC
Nutzungsbedingungen: https://policies.google.com/terms
Datenschutzerklärung: https://policies.google.com/privacy
Nutzung: Dies ist eine optionale Funktion. Wenn Sie die Gemini-Funktionen nutzen (indem Sie Gemini in Chats per @ erwähnen oder die Suchfunktion verwenden), werden Ihr Anfragetext, Ihre Suchanfragen, der Projektkontext und optional Dateiinhalte (begrenzt auf 10.000 Zeichen) zur Verarbeitung an die Gemini-API von Google übermittelt. Google verarbeitet diese Daten gemäß seinen Nutzungsbedingungen und seiner Datenschutzerklärung.
Datenstandort: Google kann Anfragen auf Servern weltweit verarbeiten, einschließlich solcher außerhalb der Europäischen Union
Nutzerkontrolle: Sie haben die volle Kontrolle über diese Funktion. Verzichten Sie einfach auf @gemini-Erwähnungen oder die Nutzung der Suchfunktion, wenn Sie es vorziehen, sämtliche Daten innerhalb unserer EU-basierten Infrastruktur zu belassen. Alle Kernfunktionen der Proteinanalyse stehen auch ohne Gemini-Integration zur Verfügung.
Beschreibung: Webseiten-Analytik zur Analyse des Nutzerverhaltens und zur Verbesserung des Dienstes (optional, erfordert eine Cookie-Einwilligung)
Anbieter: Google LLC
Datenschutzerklärung: https://policies.google.com/privacy
Erhobene Daten: Anonymisierte IP-Adressen, Seitenaufrufe, Browser-Informationen, Sitzungsdaten
Nutzerkontrolle: Google Analytics wird nur geladen, wenn Sie über das Cookie-Einwilligungsbanner Cookies akzeptieren. Sie können Ihre Einwilligung jederzeit widerrufen.
Beschreibung: Open-Source-Framework für maschinelles Lernen
Ersteller: Meta Platforms, PyTorch Foundation, The Linux Foundation
Lizenz: Modifizierte BSD-Lizenz (BSD 3-Clause)
Webseite: https://pytorch.org/ | GitHub
Beschreibung: Hochmoderne Bibliothek für natürliche Sprachverarbeitung und maschinelles Lernen
Ersteller: Hugging Face Team
Lizenz: Apache-Lizenz 2.0
Webseite: https://huggingface.co/transformers | GitHub
Beschreibung: Open-Source-Software für Chemoinformatik und maschinelles Lernen
Ersteller: RDKit Contributors
Lizenz: BSD 3-Clause-Lizenz
Webseite: https://www.rdkit.org/ | GitHub
Beschreibung: Leichtgewichtiges WSGI-Webanwendungs-Framework
Ersteller: Pallets Projects
Lizenz: BSD 3-Clause-Lizenz
Webseite: https://flask.palletsprojects.com/
Beschreibung: In-Memory-Datenstrukturspeicher, der als Datenbank, Cache und Message Broker eingesetzt wird
Ersteller: Redis Ltd.
Lizenz: BSD 3-Clause-Lizenz
Webseite: https://redis.io/
Eine permissive Lizenz, die Ihnen die Nutzung, Modifikation und Verbreitung der Software sowohl für kommerzielle als auch für nicht-kommerzielle Zwecke gestattet. Sie beinhaltet eine ausdrückliche Gewährung von Patentrechten durch die Beitragenden. Eine Quellenangabe ist erforderlich.
Eine kurze und prägnante permissive Lizenz. Sie erlaubt es den Nutzenden, nahezu alles mit Ihrem Projekt anzustellen, einschließlich der Erstellung und Verbreitung von Closed-Source-Versionen, sofern der ursprüngliche Copyright- und Lizenzhinweis beigefügt wird.
Eine permissive Lizenz, die der MIT-Lizenz ähnelt, jedoch eine zusätzliche Klausel enthält, die es Dritten untersagt, den Namen des Projekts oder seiner Beitragenden ohne schriftliche Zustimmung zur Bewerbung abgeleiteter Produkte zu verwenden.
Diese Lizenz erlaubt es Dritten, das Werk zu verbreiten, zu remixen, anzupassen und darauf aufzubauen, auch kommerziell, sofern das ursprüngliche Werk angemessen creditiert wird. Dies ist die entgegenkommendste der für kreative Werke angebotenen Lizenzen.
Zitationsanforderungen: Wenn Sie Ergebnisse unseres Dienstes in akademischen Veröffentlichungen oder in der Forschung verwenden, sollten Sie zusätzlich zu einer etwaigen Zitation der Phonos-Plattform selbst auch die oben aufgeführten relevanten Modellpublikationen zitieren.
Lizenzkonformität: Ihre Nutzung des Dienstes und seiner Ergebnisse muss allen geltenden Drittanbieter-Lizenzbedingungen entsprechen. Wir geben keine Zusicherungen oder Gewährleistungen in Bezug auf Modelle und Technologien von Drittanbietern ab.
Kommerzielle Nutzung: Alle oben aufgeführten Modelle sind im Rahmen ihrer jeweiligen Lizenzen für die kommerzielle Nutzung verfügbar. Sie sind jedoch selbst dafür verantwortlich, die Einhaltung sämtlicher Lizenzbedingungen sicherzustellen.
Bei Fragen zu Lizenzen oder Attributionen kontaktieren Sie uns bitte unter: help@fyreflysystems.de