IT思维

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。

设计可行的分子候选物对于设计低成本和可持续的存储系统至关重要。

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。

引起儿童流行性肠胃炎的 A 组和 C 组轮状病毒中刺突蛋白 VP4 的 VP8* 结构域表现出保守的半乳凝素样折叠，用于在细胞进入过程中识别聚糖。

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。

由于现实世界中可能的材料组合的数量是天文数字，寻找新的有用的材料是一项艰巨的任务。

微塑料无处不在——在我们喝的水、吃的食物和呼吸的空气中。

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？

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。

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。

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。