IT思维

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。

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。

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。

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。

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。

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。

原子的 3D 构型决定了材料的属性。

来自美国莫格里奇研究所的 Timothy Grant 发表观点文章，评论《Nature Methods》上的两项蛋白质分子动力学方面的研究，并表示新的计算方法从冷冻电镜图像中捕获分子运动，并提供对蛋白质动力学的更完整理解。

化学元素几乎构成了物理世界中的一切。

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。

化学反应是将反应物转化为一种或多种产物的过程。

供应商们的业务转型在一定程度上成了企业数字化转型的缩影。

多年前，AI 领域曾发生过一件荒唐而有趣的事情。