IT思维

蛋白质设计一直依赖于结构功能与蛋白序列的对应关系。

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 […]

因此，研究人员想出了一种技术，将公平性直接引入模型的内部表示本身。

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。

临床医生越来越多地借助算法工具做出重要的医疗保健决策，这些工具利用大量复杂数据，其程度远远超过人类思维的推理能力。

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。

随着越来越多的医疗保健机构和供应商致力于使用 AI 和数据改善患者护理，由 AI 驱动的药物发现初创公司 Protai，正利用蛋白质组学和端到端的 AI 平台，重塑药物发现和开发过程。

在现有的机器学习框架中，储层计算（Reservoir Computing）展示了快速、低成本的训练，并适用于各种物理系统。

在过去的 18 个月中，人工智能的采用率猛增。

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。

大数据时代，AI 技术在复杂对象的特征表征、多模态融合、样本自动生成等问题中表现出独特的优势，为合成生物学的应用插上了腾飞的翅膀。

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。

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。

「了解大脑的所有复杂性需要从多个尺度——从基因组学、细胞和突触到整个器官水平的洞察力。这意味着处理大量数据，超级计算正在成为解决大脑问题的不可或缺的工具。」

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。