谷歌 DeepMind 推出活细胞人工智能模型

谷歌 DeepMind 推出活细胞人工智能模型 谷歌的 DeepMind 推出了一个人工智能模型，用于研究生命的基本构成要素及其在细胞内的相互作用，推动了揭示疾病秘密和寻找疾病(如癌症)疗法的努力。根据周三在《自然》期刊上发表的一篇论文，最初于2018年开发的AlphaFold 3对微小生物结构外观和相互作用做出了迄今最精确的预测。同构实验室的首席人工智能官马克斯•贾德伯格表示，AlphaFold 3的能力为研究人员提供了新的机会，可以迅速识别潜在的新药分子。同构实验室与制药公司礼来和诺华有合作关系。“这使得我们的科学家和药物设计师能够在原子水平上创造和测试假设，并且在几秒钟内使用AlphaFold 3生成高度准确的结构预测。”贾德伯格说，“与可能需要数月甚至数年的实验相比，这是非常快速的。”AlphaFold 3展示了“显著提高”的预测准确性，超过了许多现有的专业工具，包括基于前两代技术的工具。研究表明，开发正确的人工智能深度学习框架，可以大大减少获取“生物相关性能”所需的数据量。

更快、更安全的癌症治疗让人工智能改变药物研发过程

更快、更安全的癌症治疗让人工智能改变药物研发过程 利用人工智能改进药物发现和开发是制药科学中一个新的但却日益增长的趋势，而这项技术正是这一趋势的一部分。研究人员利用今天（5 月 6 日）发表在《自然-通讯》（Nature Communications）上的这一新工具合成了 32 种候选抗癌新药。图中的资深作者 Trey Ideker 是加州大学圣地亚哥分校医学、计算机科学和生物工程学教授。图片来源：Erik Jepsen/加州大学圣地亚哥分校"几年前，人工智能在制药行业还是一个肮脏的字眼，但现在的趋势绝对是相反的，生物技术初创公司发现，如果不在商业计划中涉及人工智能，就很难筹集到资金，"资深作者、加州大学圣地亚哥分校医学院医学系教授、加州大学圣地亚哥分校雅各布斯工程学院生物工程和计算机科学兼职教授特雷-伊德克（Trey Ideker）说。"人工智能引导的药物发现已经成为工业界一个非常活跃的领域，但与公司正在开发的方法不同，我们正在将我们的技术开源，让任何想使用它的人都能使用。"多靶点药物研发的优势这个名为 POLYGON 的新平台在用于药物发现的人工智能工具中是独一无二的，因为它可以识别具有多个靶点的分子，而现有的药物发现方案目前优先考虑的是单靶点疗法。多靶点药物之所以备受医生和科学家的关注，是因为它们有可能带来与联合疗法相同的疗效，即同时使用几种不同的药物来治疗癌症，但副作用较小。伊德克说："寻找和开发一种新药需要花费多年时间和数百万美元，尤其是当我们谈论的是一种具有多个靶点的药物时。我们罕见的几种多靶点药物在很大程度上是偶然发现的，但这项新技术可以帮助消除偶然性，启动新一代精准医疗。"POLYGON 的工作原理研究人员在一个包含 100 多万个已知生物活性分子的数据库中对 POLYGON 进行了训练，该数据库包含这些分子的化学性质和与蛋白质靶点的已知相互作用的详细信息。通过学习数据库中发现的模式，POLYGON 能够为可能具有某些特性（如抑制特定蛋白质的能力）的候选新药生成原始化学配方。"就像人工智能现在非常擅长生成原创的图画和图片一样，比如根据所需的年龄或性别等属性生成人脸图片，POLYGON 能够根据所需的化学属性生成原创的分子化合物，"伊德克说。"在这种情况下，我们不是告诉人工智能我们希望自己的脸看起来有多老，而是告诉它我们希望未来的药物如何与疾病蛋白相互作用。"这项研究的共同作者凯瑟琳-利孔（Katherine Licon）是加州大学圣迭戈分校艾德克实验室的实验室经理，该实验室将计算技术和传统湿实验室技术相结合，以回答有关疾病生物学的基本问题，并发现加强精准医疗的新方法。图片来源：Erik Jepsen/加州大学圣地亚哥分校测试和结果为了对 POLYGON 进行测试，研究人员用它生成了数百种候选药物，这些药物以各种癌症相关蛋白对为靶标。在这些候选药物中，研究人员合成了 32 种分子，这些分子与 MEK1 和 mTOR 蛋白的相互作用最强。这两种蛋白被科学家称为合成致命蛋白，这意味着同时抑制这两种蛋白就足以杀死癌细胞，即使单独抑制其中一种也无法杀死癌细胞。研究人员发现，他们合成的药物对 MEK1 和 mTOR 有显著的活性，但与其他蛋白质的脱靶反应很少。这表明，POLYGON 鉴定出的一种或多种药物可以同时针对这两种蛋白质进行癌症治疗，为人类化学家提供了一份微调选择清单。伊德克说："有了候选药物之后仍然需要做所有其他化学工作，才能将这些选择提炼成单一有效的治疗方法。我们不能也不应该试图从药物研发管道中消除人类的专业知识，但我们能做的是缩短流程中的几个步骤。"尽管如此，研究人员仍然乐观地认为，人工智能在药物发现方面的可能性才刚刚被探索出来。伊德克说："在未来十年中，无论是在学术界还是在私营部门，看到这一概念如何发挥作用都将是非常令人兴奋的。可能性几乎是无穷无尽的。"编译来源：ScitechDaily ... PC版： 手机版：

OPENAI 与洛斯阿拉莫斯合作测试人工智能对实验室工作的价值

OPENAI 与洛斯阿拉莫斯合作测试人工智能对实验室工作的价值 OpenAI 正在与因研制出世界上第一颗原子弹而闻名的洛斯阿拉莫斯国家实验室合作，研究使用人工智能系统协助科学研究的机遇和风险。OpenAI 当地时间周三表示，该公司正在与洛斯阿拉莫斯合作，评估其最新的人工智能模型 GPT-4o 如何用于支持和解决实验室任务。除此之外，OpenAI 还表示将研究 GPT-4o 尚未发布的语音助手技术如何帮助科学家进行研究。洛斯阿拉莫斯研究科学家埃里克·勒布伦在声明中表示：“人工智能能力不断提升的潜在优势是无穷无尽的。然而，衡量和了解与生物威胁相关的任何潜在危险或高级人工智能滥用仍在很大程度上尚未得到探索。与 OpenAI 的合作是朝着建立评估当前和未来模型的框架迈出的重要一步。”

人工智能预测果蝇行为已拥有惊人准确度

人工智能预测果蝇行为已拥有惊人准确度 考利的研究小组记录了果蝇在培养皿中一系列"约会"的求偶过程，跟踪雄蝇（蓝色）看到雌蝇（红色）时的行为反应。放置在"竞技场"下方的微型麦克风捕捉到了雄性果蝇拍打翅膀发出的歌声。图片来源：考利实验室/冷泉港实验室现在，冷泉港实验室（CSHL）的一位年轻科学家发现了一条重要线索，揭示了这一原理。他是通过建立一个普通果蝇大脑的特殊人工智能模型来做到这一点的。观看雄果蝇（蓝色）向雌果蝇（红色）求爱。相应的动画捕捉了雄果蝇的视角。资料来源：CSHL人工智能与果蝇行为CSHL助理教授本杰明-考利（Benjamin Cowley）和他的团队通过一种他们开发的名为"淘汰训练"的技术训练了他们的人工智能模型。首先，他们记录了雄果蝇的求偶行为追逐雌果蝇并向其唱歌。接下来，他们从基因上沉默了雄果蝇体内特定类型的视觉神经元，并训练人工智能检测行为的任何变化。通过用多种不同类型的视觉神经元重复这一过程，他们能够让人工智能准确预测真正的果蝇在看到雌果蝇时会做出怎样的反应。考利说："我们实际上可以通过计算预测神经活动，并询问特定神经元如何对行为做出影响，这是我们以前无法做到的。"解码神经通路通过新的人工智能，考利的团队发现果蝇大脑使用"群体代码"来处理视觉数据。果蝇的行为需要许多神经元的组合，而不是像以前假设的那样，一种神经元类型将每个视觉特征与一个动作联系起来。这些神经通路的图表看起来就像一张极其复杂的地铁图，需要数年时间才能破解。尽管如此，它还是让我们找到了我们需要去的地方。它让考利的人工智能能够预测现实生活中的果蝇在受到视觉刺激时的行为。有了这个示意图，考利的团队现在就可以把注意力转移到研究他们的人工智能模型上，而不用在真正的果蝇身上进行昂贵的实验了。图片来源：考利实验室/冷泉港实验室对人类大脑研究的影响这是否意味着人工智能有一天可以预测人类行为？没那么快。果蝇的大脑包含大约 10 万个神经元。而人脑有近 1000 亿个神经元。考利在提到地铁图时说："小小的果蝇就已经是这样，你可以想象我们人类的视觉系统是什么样的。"尽管如此，考利仍希望他的人工智能模型有朝一日能帮助我们解码人类视觉系统的基础计算。他说："这将是持续几十年的工作。但如果我们能搞清楚这个问题，通过学习[苍蝇]的计算，我们可以建立一个更好的人工视觉系统。更重要的是，我们将更详细地了解视觉系统的紊乱"。至于好了多少，我们必须亲眼目睹才能相信。编译来源：ScitechDaily ... PC版： 手机版：

科学简单点：什么是人工智能？

科学简单点：什么是人工智能？ 在这段《什么是人工智能》的视频中，阿贡国家实验室的科学家 Taylor Childers 和 Bethany Lusch 讨论了人工智能通过模仿大脑的学习能力来帮助解决复杂问题的计算机技术和技巧。研究人员利用人工智能更好、更快地解决科学、医学和技术领域最棘手的问题，并帮助推动这些领域的发现。这包括帮助我们了解COVID-19如何攻击人体，以及找到管理交通堵塞的方法。研究人员利用人工智能来更好、更快地解决科学、医学和技术领域最棘手的问题，并帮助推动这些领域的发现。这包括帮助我们了解 COVID-19 如何攻击人体，以及寻找管理交通堵塞的方法。能源部（DOE）的许多设施，如阿贡国家实验室，都在协助开发一些最先进的人工智能技术。如今，这些技术已应用于从化学、环境和制造科学到医学和宇宙的各个研究领域。人工智能被用来帮助建立复杂系统（如发动机或天气）的模型，并预测如果这些系统的某些部分发生变化（如使用不同的燃料或温度持续升高）可能会发生的情况。但人工智能还有更多用途。阿贡人工智能工具箱中的一个重要工具是一种名为机器学习的技术，当它从更多的数据中学习时，它就会变得更聪明或更准确。机器学习对于识别隐藏在一幅更大、更拥挤的画面中的特定对象非常有帮助。在一个流行的例子中，通过向一个机器学习模型展示许多图片，训练该模型识别猫和狗的主要特征。后来，该模型能够从混合动物的图片中识别出猫和狗。类似的机器学习模型可以帮助科学家从太空望远镜中获得的天体图像中识别出不同类型的星系。机器学习只是帮助我们更快、更准确地学习的众多人工智能技术之一。它们可以帮助为一种新材料选择合适的分子或化学物质，有朝一日还能独立指导新的实验。阿贡与全球许多组织合作，成为人工智能应用和开发领域的领导者，其中包括将人工智能应用于以下领域：延长汽车和能源电池的使用寿命。建立更好的气候模型，预测野火、飓风和其他灾害，帮助我们的社区和电力公司防范这些灾害。找到病毒攻击我们细胞的部分，并开发出对抗它们的药物。人工智能分析大量复杂数据，以计算机速度执行人类任务。如今已成为我们日常生活的一部分，它有助于简化基本任务，如语音识别、内容推荐或基于人或物的照片搜索。科学家们正在以类似的方式利用人工智能来增进我们对周围世界的了解。人工智能可以帮助他们更快地分析堆积如山的数据，并提供更好的解决方案。从材料科学和医学到气候变化和宇宙，许多研究领域都在使用不同的人工智能技术。例如，我们可以通过查看许多不同的示例来训练人工智能识别复杂的模式。研究人员可以利用这种能力，通过对所有已知的太阳能电池或药物材料进行人工智能训练，找到新的改良材料。然后，人工智能可以帮助研究人员锁定其他有前景的材料，这些材料可以在实验室中制造和测试。编译自:ScitechDaily相关文章:科学简单点：什么是超级计算？ ... PC版： 手机版：

麻省理工学院的新型人工智能模型能准确预测人类行为

麻省理工学院的新型人工智能模型能准确预测人类行为 要建立能与人类有效协作的人工智能系统，首先要有一个良好的人类行为模型。但是，人类在做出决策时往往会有一些次优行为。这种非理性尤其难以建模，通常归结为计算上的限制。人类不可能花几十年的时间去思考一个问题的理想解决方案。开发新的建模方法麻省理工学院和华盛顿大学的研究人员开发了一种为代理（无论是人类还是机器）的行为建模的方法，这种方法考虑到了可能妨碍代理解决问题能力的未知计算限制。他们的模型只需看到代理之前的一些行为痕迹，就能自动推断出代理的计算限制。其结果，即一个代理的所谓"推理预算"，可用于预测该代理的未来行为。实际应用和模型验证在一篇新论文中，研究人员展示了他们的方法如何用于从先前的路线推断某人的导航目标，以及预测棋手在国际象棋比赛中的后续行动。他们的技术与另一种用于此类决策建模的流行方法不相上下，甚至更胜一筹。最终，这项工作可以帮助科学家教会人工智能系统人类的行为方式，从而使这些系统能够更好地回应人类合作者。电子工程与计算机科学（EECS）研究生、这一技术相关论文的第一作者阿图尔-保罗-雅各布（Athul Paul Jacob）说，能够理解人类的行为，然后从这种行为推断出他们的目标，会让人工智能助手变得更有用。"如果我们知道人类即将犯错，看到他们以前的行为方式，人工智能代理可以介入并提供更好的方法。或者，人工智能代理可以适应人类合作者的弱点。"他说："能够为人类行为建模，是建立一个能够真正帮助人类的人工智能代理的重要一步。"雅各布与华盛顿大学助理教授阿比舍克-古普塔（Abhishek Gupta）以及资深作者雅各布-安德烈亚斯（Jacob Andreas）共同撰写了这篇论文，雅各布-安德烈亚斯是电子工程科学系副教授和计算机科学与人工智能实验室（CSAIL）成员。这项研究将在学习表征国际会议（International Conference on Learning Representations）上发表。行为建模几十年来，研究人员一直在建立人类行为的计算模型。许多先前的方法都试图通过在模型中加入噪音来解释次优决策。模型可能会让代理人在 95% 的情况下做出正确的选择，而不是让代理人总是选择正确的选项。然而，这些方法可能无法捕捉到这样一个事实，即人类并不总是以同样的方式做出次优行为。麻省理工学院的其他人还研究了在决策不理想的情况下制定计划和推断目标的更有效方法。为了建立他们的模型，雅各布和他的合作者从之前对国际象棋选手的研究中汲取了灵感。他们注意到，棋手在走简单的棋步时，在行动前花费的思考时间较少，而在具有挑战性的比赛中，实力较强的棋手往往比实力较弱的棋手花费更多的时间进行规划。雅各布说："最后，我们发现，规划的深度，或者说一个人思考问题的时间长短，可以很好地代表人类的行为方式。"他们建立了一个框架，可以从先前的行动中推断出代理的规划深度，并利用该信息来模拟代理的决策过程。方法的第一步是在一定时间内运行算法，以解决所研究的问题。例如，如果研究的是一场国际象棋比赛，他们可能会让下棋算法运行一定步数。最后，研究人员可以看到算法在每一步做出的决定。他们的模型会将这些决策与解决相同问题的代理行为进行比较。它将使代理的决策与算法的决策保持一致，并确定代理停止规划的步骤。由此，模型可以确定代理的推理预算，或该代理将为这一问题计划多长时间。它可以利用推理预算来预测该代理在解决类似问题时会如何反应。可解释的解决方案这种方法非常高效，因为研究人员无需做任何额外工作，就能获取解决问题的算法所做的全部决策。这一框架也可应用于任何可以用某一类算法解决的问题。"对我来说，最令人震惊的是，这种推理预算是非常可解释的。它是说，更难的问题需要更多的规划，或者说，成为一名强者意味着需要更长时间的规划。"雅各布说："我们刚开始着手做这件事的时候，并没有想到我们的算法能够自然而然地发现这些行为。"研究人员在三个不同的建模任务中测试了他们的方法：从先前的路线推断导航目标、从某人的语言暗示猜测其交流意图，以及预测人与人国际象棋比赛中的后续棋步。在每次实验中，他们的方法要么与流行的替代方法相匹配，要么优于后者。此外，研究人员还发现，他们的人类行为模型与棋手技能（国际象棋比赛）和任务难度的测量结果非常吻合。展望未来，研究人员希望利用这种方法为其他领域的规划过程建模，例如强化学习（机器人技术中常用的一种试错方法）。从长远来看，他们打算在这项工作的基础上继续努力，以实现开发更有效的人工智能合作者这一更远大的目标。编译来源：ScitechDaily ... PC版： 手机版：