IT思维

新加坡 Gero PTE 公司的研究人员结合分析和机器学习工具来描述大量纵向测量中的老化过程。

开发用于在分子和纳米尺度上分析蛋白质-蛋白质相互作用（PPI）的新方法可以深入了解细胞内信号通路，并将提高对蛋白质功能以及其他生物和非生物来源的纳米级结构的理解。

除了一些活组织之外，很少有材料能够在长时间暴露于意料之外的环境负载情况下自主学习表现出所需的行为。

移动无线技术从 3G/4G 到 5G 的演进以及工业 4.0 的引入，导致无线系统设计的复杂性不断增加。

深度神经网络（DNN）因其高预测精度已成功用于许多科学问题，但由于其可解释性差，它们在遗传研究中的应用仍然具有挑战性。

在人工智能计算机芯片的广阔前景中，服务于「边缘」市场的产品，包括无人机、物联网设备、电话和低功耗服务器环境，为供应商提供了肥沃的土壤，成为少有的市场之一。

十年来，许多最令人印象深刻的人工智能系统都是使用大量标记数据进行教学的。

脑机接口通常依靠电生理信号来解释和传输神经信息。然而，在生物系统中，神经递质是基于化学的中间神经元信使。这种不匹配可能会引起对传输信息的错误解释。

对比增强脑肿瘤的预处理诊断在临床神经肿瘤学中仍然具有挑战性，因为它们在常规 MRI 上的外观非常相似。

内部验证是药物靶点预测模型最常用的评估策略。

材料科学的一个基本挑战是阐明化学计量、稳定性、结构和性质之间的关系。

量子计算关键依赖于有效表征量子硬件输出的量子态的能力。

新的研究表明深度学习如何改善基因疗法和抗病毒药物。

机器学习 (ML) 方法已证明能够以传统理论化学方法的计算成本的一小部分来预测分子光谱，同时保持高精度。

谷歌的人工智能负责人 Laurence Moroney 做出了回应，试图证明人工智能可以做什么。尽管他最初并不担心人工智能会取代他或其他作家。

微塑料无处不在——在我们喝的水、吃的食物和呼吸的空气中。

形状记忆合金 (SMA) 是固态驱动和热能收集应用的优秀候选材料。

劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory，LBNL 或LBL）、美国空军研究实验室（Air Force Research Laboratory 缩写AFRL）等机构的研究人员合作，对人工智能在合成生物学中的应用现状、影响、挑战以及潜力与前景进行了较为系统的阐述。

又是一年谷歌 I/O 开发者大会，AI 依旧是绝对的主角。

生物技术行业一直在寻找完美的突变，将不同蛋白质的特性合成组合以达到预期的效果。

空间分辨转录组学的最新进展使得能够全面测量基因表达模式，同时保留组织微环境的空间背景。破译组织中斑点的空间背景需要仔细使用它们的空间信息。

在过去的两年里，人工智能程序的语言流畅度达到了惊人的水平。

自主人工智能被定义为允许机器人、汽车、飞机和其他设备在没有人类指导的情况下执行扩展序列的操作的例程。

公众号/ ScienceAI（ID：Philosophyai） 编辑 | 萝卜皮 藻类在固定碳方面非常出色。像 […]

深度学习方法在计算机视觉、自然语言处理等领域发挥着越来越重要的作用。