IT思维

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。

近日，来自斯坦福大学的 Sadasivan Shankar 和 Richard N. Zare 在《Nature Machine Intelligence》发表 Correspondence 文章：「The perils of machine learning in designing new chemicals and materials」，指出了机器学习在设计新化学品和材料中的危险。

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。

机器学习方法的兴起正在加快材料和药物发现过程，然而，当前的技术，主要是深度学习，需要大量数据集来训练模型，并且许多特定类别的化学数据集包含少数示例化合物，限制了它们泛化和生成可以在现实世界中创建的物理分子的能力。

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。

越来越多的生物制药初创公司使用机器学习、数据科学和其他计算方法来寻找新的药物靶点、设计新的治疗方法，并支持他们的测试。

神经网络并非如此，这是执行类人任务的领先人工智能系统。

抗体是免疫系统产生的小蛋白质，可以附着在病毒的特定部位以中和它。

这要归功于一个由 NASA 艾姆斯研究中心的研究人员开发的名为 ExoMiner 的新深度神经网络。

在这里，研究人员试图测试 OP-TIL 是否可以将 I 期 HPV 相关 OPSCC 患者分为低风险和高风险组，并帮助选择患者进行降级临床试验。

针对核酸大分子，特别是 RNA 的基于结构的药物设计（SBDD）是一个获得动力的研究方向，已经产生了几种 FDA 批准的化合物。

科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。

数据集为 AI 模型提供燃料，例如汽油（或电力）为汽车提供燃料。

你知道地球的大气是由什么组成的吗？

耐药细菌的出现需要新抗生素的发现。然而，几十年来，传统的发现策略并没有产生新的抗生素种类。

因此，许多神经科学家开始将大脑视为「预测机器」。

今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。

得益于空军科学研究办公室的195 万美元赠款，马萨诸塞大学阿默斯特分校数学和统计系教授 Markos Katsoulakis 和 Luc Rey-Bellet，以及布朗大学的 Paul Dupuis 将在接下来的四年开发一种新的机器学习方法，超越对大数据的传统依赖。

Bülent Kızıltan 博士既是一名科学家也是一位企业高管，他通过将创业思维与卓越科学相结合从而推动创新。目前，他在诺华负责因果分析和预测分析的创新工作。以下是他关于药物发现中的数据科学、预测分析和人工智能的访谈内容。

机器学习正在重塑许多科学和工程领域的研究方法。

杜氏肌营养不良症（Duchenne muscular dystrophy，DMD）是一种由肌营养不良蛋白基因突变引起的肌肉萎缩性遗传疾病。

原子的 3D 构型决定了材料的属性。

据称，Gateway将主要作为一个停驻设施，一个前往月球表面或最终前往火星的宇航员的中转站。

高性能人工智能 (AI) 计算的先驱 Cerebras 和生物技术平台公司 Peptilogics，近日宣布了一项合作，将通过人工智能加速肽疗法的开发周期。