IT思维

机器学习和基础学科交叉在近年受到越来越多的关注。能够从大量数据中学习的 AI，是否能够像人类一样，从数据中发现规律？当神经网络被用于解决物理问题时，是否有可能学习到物理知识？

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。

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。

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。

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。

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。