麻省理工学院在有毒气体检测技术方面取得了突破性进展

麻省理工学院在有毒气体检测技术方面取得了突破性进展访问：NordVPN立减75%+外加3个月时长另有NordPass密码管理器新系统结合了两种现有技术，既保留了各自的优点，又避免了它们的局限性。研究小组使用了一种被称为金属有机框架（MOF）的材料，这种材料对微量气体非常敏感，但其性能很快就会退化，研究小组将其与一种聚合物材料相结合，这种材料非常耐用，更易于加工，但敏感性要低得多。麻省理工学院教授AristideGumyusenge、MirceaDinca、HeatherKulik和JesusdelAlamo、研究生HeejungRoh以及博士后Dong-HaKim、YeongsuCho和Young-MooJo今天在《先进材料》（AdvancedMaterials）杂志上发表了一篇论文，报告了这一研究成果。麻省理工学院的研究人员开发出一种探测器，可以低成本持续监测有毒气体的存在。研究小组使用了一种名为金属有机框架（MOF）的材料（图中为黑色晶格），这种材料对微量气体高度敏感，但其性能很快就会退化。他们将MOF与一种聚合物材料（如图中的茶色半透明链）相结合，这种材料非常耐用，但灵敏度要低得多。图片来源：研究人员提供MOFs多孔性强，表面积大，有多种成分。有些可能是绝缘体，但本研究中使用的MOFs具有很强的导电性。它们的形状像海绵，能有效捕捉各种气体分子，其孔隙的大小可以定制，使它们对特定种类的气体具有选择性。"论文的资深作者、材料科学与工程系MertonC.Flemings职业发展助理教授Gumyusenge说："如果把它们用作传感器，只要气体对MOF的电阻率有影响，就能识别出气体是否存在。这些材料用作气体检测器的缺点是容易饱和，无法再检测和量化新输入的气体。"这不是你想要的。你想要的是能够检测和重复使用，"Gumyusenge说。"因此，我们决定使用聚合物复合材料来实现这种可逆性。"研究小组使用了一类导电聚合物，Gumyusenge和他的同事们之前已经证明，这类聚合物可以对气体做出反应，而不会与气体永久结合。"他说："这种聚合物虽然没有MOFs那样的高表面积，但至少可以提供这种识别-释放型现象。研究人员在一个实验室规模的小型装置中展示了这种材料检测一氧化二氮（一种由多种燃烧产生的有毒气体）的能力。经过100次检测后，这种材料仍能保持其基线性能，误差在5%到10%之间，这证明了它具有长期使用的潜力。以下是传感装置的布局。图片来源：研究人员提供研究小组将液态溶液中的聚合物与粉末状的MOF材料结合在一起，然后将混合物沉积在基底上，干燥后形成一层均匀的薄涂层。他说："通过将具有快速检测能力的聚合物和灵敏度更高的MOF以一比一的比例结合在一起，我们突然得到了一种传感器，它既具有MOF带来的高灵敏度，又具有聚合物带来的可逆性。"当气体分子暂时滞留在材料中时，材料的电阻会发生变化。只需安装一个欧姆表来跟踪电阻随时间的变化，就能持续监测这些电阻变化。Gumyusenge和他的学生们在一个实验室规模的小型装置中演示了这种复合材料检测二氧化氮的能力。经过100次检测后，该材料仍能保持其基线性能，误差在5%到10%之间，证明了其长期使用的潜力。此外，研究小组报告说，这种材料的灵敏度远远高于目前使用的大多数二氧化氮检测器。这种气体经常在使用炉灶后被检测到。而且，由于这种气体最近与美国的许多哮喘病例有关，因此对低浓度的可靠检测非常重要。研究小组证明，这种新型复合材料可以可逆地检测到浓度低至百万分之二的气体。虽然他们的演示是专门针对二氧化氮的，但Gumyusenge说："我们可以调整化学成分，使其针对其他挥发性分子，只要它们是小的极性分析物，这往往是大多数有毒气体"。除了与简单的手持式探测器或烟雾报警装置兼容之外，这种材料的一个优点是，聚合物使其能够沉积成极薄的均匀薄膜，而不像普通的MOFs通常是低效的粉末状。由于薄膜非常薄，因此所需的材料很少，生产材料成本可能很低；加工方法可以是典型的工业涂料加工方法。Gumyusenge说："因此，限制因素可能是聚合物合成规模的扩大，我们一直在少量合成聚合物。"他说："下一步将是在实际环境中对这些材料进行评估。例如，可以在烟囱或排气管上涂上这种材料，通过附带的电阻监测装置读取数据，对气体进行连续监测。在这种环境下，我们需要进行测试，以检查我们是否真正将其与实验室环境中可能忽略的其他潜在污染物区分开来。让我们把传感器放到真实世界的场景中，观察它们的效果如何"。编译来源：ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1431290.htm手机版：https://m.cnbeta.com.tw/view/1431290.htm

麻省理工学院研究人员发明用于早期癌症检测的简单纸张测试法

麻省理工学院研究人员发明用于早期癌症检测的简单纸张测试法这些纳米粒子被设计成当它们遇到肿瘤时，它们会脱落短的DNA序列，并排泄在尿液中。分析这些DNA"条形码"可以揭示出特定病人肿瘤的显著特征。研究人员设计了他们的测试，使其可以使用一张纸条进行，类似于在家的Covid测试，他们希望这可以使尽可能多的病人能够负担得起。"我们正试图在使技术可用于中低资源环境的背景下进行创新。"麻省理工学院约翰和多萝西-威尔逊健康科学和技术以及电子工程和计算机科学教授、麻省理工学院科赫综合癌症研究所和医学工程与科学研究所成员SangeetaBhatia说："将这种诊断方法放在纸上是我们使诊断方法民主化和创造廉价技术的目标的一部分。"在对小鼠的测试中，研究人员表明，他们可以使用传感器来检测在肿瘤中表达的五种不同酶的活性。他们还表明，他们的方法可以扩大到区分单个样本中的至少46个不同的DNA条形码，使用一个微流控设备来分析样本。Bhatia是该论文的资深作者，该论文于2023年4月24日发表在《自然-纳米技术》杂志上。郝亮亮，一位前麻省理工学院的研究科学家，现在是波士顿大学生物医学工程的助理教授，是这项研究的主要作者。几年来，Bhatia的实验室一直在开发可用于诊断癌症的"合成生物标志物"。这项工作建立在检测癌症生物标志物的概念之上，如蛋白质或循环肿瘤细胞，在病人的血液样本中。这些自然发生的生物标志物非常罕见，几乎不可能发现它们，尤其是在早期阶段，但合成的生物标志物可以用来放大小肿瘤内发生的较小规模的变化。在以前的工作中，Bhatia创造了能够检测被称为蛋白酶的酶的活性的纳米粒子，这些酶通过切割细胞外基质的蛋白质，帮助癌细胞逃离它们原来的位置，或定居到新的位置。纳米颗粒上涂有被不同蛋白酶裂解的肽，一旦这些肽被释放到血液中，它们就能被浓缩，并更容易在尿液样本中被检测到。最初的多肽生物标记物被设计为基于其质量的小工程变化，使用质谱仪进行检测。这种设备在资源匮乏的环境中可能无法使用，因此研究人员着手开发可以更容易、更经济地进行分析的传感器，使用可以用CRISPR技术读取的DNA条形码。为了使这种方法发挥作用，研究人员必须使用一种称为硫代磷酸酯的化学修饰，以保护循环DNA报告条码在血液中被分解。这种修饰已经被用于提高现代RNA疫苗的稳定性，使其在体内存活更长时间。与肽报告器类似，每个DNA条形码通过一个可被特定蛋白酶裂解的连接物连接到一个纳米粒子上。如果存在这种蛋白酶，DNA分子就会被释放并自由循环，最终在尿液中结束。在这项研究中，研究人员使用了两种不同类型的纳米颗粒：一种是由美国食品和药物管理局批准用于人体的聚合物制成的颗粒，另一种是"纳米抗体"--一种可以被设计为在肿瘤部位聚集的抗体片段。一旦传感器在尿液中分泌出来，就可以用一个纸条对样本进行分析，该纸条可以识别由一种叫做Cas12a的CRISPR酶激活的报告器。当样品中存在一个特定的DNA条形码时，Cas12a会放大信号，这样就可以在试纸上看到一个深色条。颗粒可以被设计成携带许多不同的DNA条形码，每个条形码都能检测到不同类型的蛋白酶活性，这就可以实现"复用"感应。使用更多的传感器可以提高灵敏度和特异性，使测试更容易区分肿瘤类型。在对小鼠的测试中，研究人员表明，由五个DNA条形码组成的小组能够准确区分首先出现在肺部的肿瘤和由转移到肺部的结直肠癌细胞形成的肿瘤。"我们在这里的目标是建立疾病特征，观察我们是否能使用这些条形码面板不仅读出一种疾病，而且还能对一种疾病进行分类或区分不同的癌症类型，"Hao说。对于人类的使用，研究人员预计他们可能需要使用五个以上的条形码，因为病人的肿瘤之间有很大的差异。为了帮助实现这一目标，他们与哈佛大学教授PardisSabeti领导的麻省理工学院和哈佛大学Broad研究所的研究人员合作，创建了一个微流控芯片，可用于从一个样本中读取多达46个不同的DNA条码。这种检测不仅可以用于检测癌症，还可以用于测量病人的肿瘤对治疗的反应程度以及治疗后是否复发。研究人员现在正致力于进一步开发这种颗粒，目的是在人体中进行测试。Bhatia共同创办的GlympseBio公司已经对早期版本的尿液诊断颗粒进行了第一阶段的临床试验，并发现它们在病人身上是安全的。...PC版：https://www.cnbeta.com.tw/articles/soft/1356773.htm手机版：https://m.cnbeta.com.tw/view/1356773.htm

麻省理工学院揭幕"质子之舞"： 开拓能源新时代

麻省理工学院揭幕"质子之舞"：开拓能源新时代麻省理工学院的化学家们首次详细描绘了这些质子耦合电子转移是如何在电极表面发生的。他们的研究成果可以帮助研究人员设计出更高效的燃料电池、电池或其他能源技术。麻省理工学院化学和化学工程教授、该研究的资深作者YogeshSurendranath说："我们在这篇论文中取得的进展是研究和理解了这些电子和质子如何在表面部位耦合的性质，这与催化反应有关，而催化反应在能量转换装置或催化反应中非常重要。"在他们的研究成果中，研究人员能够准确追踪电极周围电解质溶液pH值的变化如何影响电极内质子运动和电子流动的速度。麻省理工学院研究生诺亚-刘易斯（NoahLewis）是这篇论文的第一作者，论文最近发表在《自然-化学》上。麻省理工学院前博士后RyanBisbey、麻省理工学院研究生KarlWestendorff和耶鲁大学研究科学家AlexanderSoudackov也是这篇论文的作者。质子传递质子耦合电子转移是指一种分子（通常是水或酸）将质子转移到另一种分子或电极表面，从而刺激质子接受者也接受一个电子。这种反应已被广泛应用于能源领域。"这些质子耦合电子转移反应无处不在。它们通常是催化机制中的关键步骤，对于制氢或燃料电池催化等能量转换过程尤为重要，"Surendranath说。在制氢电解槽中，这种方法用于从水中去除质子，并在质子上添加电子以形成氢气。在燃料电池中，当质子和电子从氢气中移出并加入氧气形成水时，就会产生电能。施加电势会导致质子从氢离子（右图）转移到电极表面。利用具有分子定义质子结合位点的电极，麻省理工学院的研究人员为这些界面质子耦合电子转移反应建立了一个通用模型。图片来源：研究人员提供质子耦合电子转移在许多其他类型的化学反应中都很常见，例如二氧化碳还原（通过添加电子和质子将二氧化碳转化为化学燃料）。当质子接受体是分子时，科学家们可以精确控制每个分子的结构，并观察电子和质子如何在分子间传递，因此他们已经对这些反应的发生过程有了很多了解。然而，当质子耦合电子转移发生在电极表面时，这一过程就更难研究了，因为电极表面通常非常异质，质子有可能与许多不同的位点结合。为了克服这一障碍，麻省理工学院的研究小组开发出一种设计电极表面的方法，使他们能够更精确地控制电极表面的组成。他们的电极由石墨烯薄片组成，表面附着有机含环化合物。每个有机分子的末端都有一个带负电荷的氧离子，它可以接受周围溶液中的质子，从而使电子从电路流入石墨表面。Surendranath说："我们可以创造出一种电极，它不是由各种各样的位点组成，而是由单一类型的非常明确的位点组成的统一阵列，每个位点都能以相同的亲和力结合质子。由于我们拥有这些非常明确的位点，这让我们能够真正揭示这些过程的动力学"。利用这个系统，研究人员能够测量流向电极的电流，从而计算出平衡状态下质子向表面氧离子转移的速率--质子向表面捐赠的速率和质子从表面转移回溶液的速率相等的状态。他们发现，周围溶液的pH值对这一速率有显著影响：最高速率出现在pH值的两端--酸性最强的pH值为0，碱性最强的pH值为14。为了解释这些结果，研究人员根据电极可能发生的两种反应建立了一个模型。在第一种反应中，强酸性溶液中高浓度的氢离子（H3O+）将质子传递给表面的氧离子，生成水。在第二种情况下，水将质子传递给表面氧离子，生成氢氧根离子（OH-），氢氧根离子在强碱性溶液中浓度较高。不过，pH值为0时的速度比pH值为14时的速度快四倍，部分原因是氢离子释放质子的速度比水快。需要重新考虑的反应研究人员还惊奇地发现，这两个反应的速率并不是在中性pH值为7（氢铵和氢氧根的浓度相等）时相等，而是在pH值为10（氢氧根离子的浓度是氢铵的100万倍）时相等。该模型表明，这是因为涉及氢𬭩或水提供质子的前向反应比涉及水或氢氧化物去除质子的后向反应对总速率的贡献更大。研究人员说，关于这些反应如何在电极表面发生的现有模型假定，前向反应和后向反应对总速率的贡献相同，因此新发现表明，可能需要重新考虑这些模型。Surendranath说："这是默认的假设，即正向和逆向反应对反应速率的贡献相同。我们的发现确实令人大开眼界，因为这意味着人们用来分析从燃料电池催化到氢进化等一切问题的假设可能是我们需要重新审视的。"研究人员目前正在利用他们的实验装置研究向电极周围的电解质溶液中添加不同类型的离子会如何加快或减慢质子耦合电子流的速度。刘易斯说："通过我们的系统，我们知道我们的位点是恒定的，不会相互影响，因此我们可以读出溶液的变化对表面反应的影响。"编译自//scitechdaily...PC版：https://www.cnbeta.com.tw/articles/soft/1424095.htm手机版：https://m.cnbeta.com.tw/view/1424095.htm

麻省理工学院最新创新成果：可以阻断外周神经疼痛的软光纤

麻省理工学院最新创新成果：可以阻断外周神经疼痛的软光纤科学家们有了一种新工具，可以精确地照亮神经疼痛的根源。麻省理工学院的工程师们开发出了可植入的软纤维，这种纤维能将光线传送到人体的主要神经。当这些神经经过基因改造对光做出反应时，光纤就能向神经发送光脉冲，从而抑制疼痛。光导纤维是柔性的，可随人体伸缩。这种新型纤维是一种实验工具，科学家可以用它来探索动物模型中周围神经疾病的原因和潜在治疗方法。当大脑和脊髓以外的神经受损时，就会出现周围神经痛，导致受影响的肢体刺痛、麻木和疼痛。据估计，美国有超过2000万人患有周围神经病。马萨诸塞大学阿默斯特分校生物医学工程助理教授饶思远（SiyuanRao）说："目前用于研究神经疾病的设备都是由限制运动的僵硬材料制成的，因此如果涉及疼痛，我们就无法真正研究脊髓损伤和恢复情况。我们的纤维可以适应自然运动，并在不限制受试者运动的情况下完成工作。这可以为我们提供更精确的信息"。麻省理工学院的工程师们设计了一种软水凝胶光纤（如图所示），它可以刺激外周神经，帮助研究人员确定神经相关疼痛的起源和治疗方法。图片来源：研究人员提供"现在，人们有了一种工具，可以在非常动态、自然和无约束的条件下研究与外周神经系统有关的疾病，"22岁的刘欣悦（XinyueLiu）博士补充说，她现在是密歇根州立大学（MSU）的助理教授。今天（10月19日）发表在《自然-方法》（NatureMethods）杂志上的一项研究报告详细介绍了他们团队的新型纤维。Rao和Liu在麻省理工学院的合著者包括化学系研究生AtharvaSahasrabudhe、机械工程和土木与环境工程系教授XuanheZhao、材料科学与工程系教授PolinaAnikeeva，以及密歇根州立大学、马萨诸塞大学阿默斯特分校、哈佛医学院和美国国立卫生研究院的其他教授。将光遗传学扩展到大脑之外这项新研究源于研究小组希望将光遗传学的应用扩展到大脑以外的领域。光遗传学是一种通过基因工程使神经对光做出反应的技术。暴露在光线下可以激活或抑制神经，从而为科学家提供有关神经如何工作以及如何与周围环境相互作用的信息。神经科学家已经在动物身上应用光遗传学来精确追踪一系列脑部疾病的神经通路，包括成瘾、帕金森病、情绪和睡眠障碍--这些信息已经促成了针对这些疾病的靶向疗法。迄今为止，光遗传学主要应用于大脑，这一区域缺乏痛觉感受器，因此可以相对无痛地植入硬质装置。然而，硬质装置仍会损伤神经组织。麻省理工学院的研究小组想知道，这种技术能否扩展到大脑以外的神经。与大脑和脊髓一样，外周系统的神经也会受到一系列损伤，包括坐骨神经痛、运动神经元疾病以及全身麻木和疼痛。光遗传学可以帮助神经科学家确定外周神经疾病的具体原因，并测试缓解这些疾病的疗法。但是，在大脑之外实施这项技术的主要障碍是运动。周围神经不断受到周围肌肉和组织的推拉。如果在外周使用刚性硅装置，就会限制动物的自然运动，并可能造成组织损伤。晶体与光研究人员希望开发出一种能与身体一起工作和运动的替代品。他们的新设计是一种柔软、可伸缩的透明纤维，由水凝胶制成。水凝胶是一种橡胶状、生物相容性高的聚合物和水的混合物，他们调整了水凝胶的比例，以创造出微小、纳米级的聚合物晶体，散布在更像果冻的溶液中。光纤包含两层--内芯和外壳或"包层"。研究小组混合了每一层的溶液，以产生特定的晶体排列。这种排列使每一层都具有特定的、不同的折射率。...PC版：https://www.cnbeta.com.tw/articles/soft/1391205.htm手机版：https://m.cnbeta.com.tw/view/1391205.htm

麻省理工学院的AI突破：对抗MRSA的新型抗生素先锋

麻省理工学院的AI突破：对抗MRSA的新型抗生素先锋利用一种被称为深度学习的人工智能，麻省理工学院的研究人员发现了一类化合物，这种化合物可以杀死一种耐药细菌，这种细菌每年导致美国一万多人死亡。在最近发表于《自然》（Nature）的一项研究中，研究人员发现这些化合物可以杀死在实验室培养皿中生长的耐甲氧西林金黄色葡萄球菌（MRSA），以及在两种MRSA感染小鼠模型中生长的耐甲氧西林金黄色葡萄球菌。这些化合物对人体细胞的毒性也很低，因此特别适合作为候选药物。这项新研究的一个关键创新点是，研究人员还弄清了深度学习模型在预测抗生素效力时使用了哪些信息。这些知识可以帮助研究人员设计出更多的药物，它们可能比模型识别出的药物效果更好。"我们的洞察力在于，我们可以看到模型学习到了什么，从而预测出某些分子会成为很好的抗生素。"麻省理工学院医学工程与科学研究所（IMES）和生物工程系的特米尔医学工程与科学教授詹姆斯-柯林斯（JamesCollins）说："我们的工作提供了一个框架，从化学结构的角度来看，它既省时、省资源，又具有机理上的洞察力。"这项研究是麻省理工学院"抗生素-人工智能项目"（Antibiotics-AIProject）的一部分，该项目由柯林斯领导。该项目是麻省理工学院抗生素-人工智能项目的一部分。该项目由柯林斯领导，其任务是在七年内发现针对七种致命细菌的新型抗生素。用人工智能应对MRSA在美国，每年有超过8万人感染MRSA，它通常会引起皮肤感染或肺炎。严重病例可导致败血症，这是一种可能致命的血液感染。在过去几年里，柯林斯和他在麻省理工学院阿卜杜勒-拉蒂夫-贾米尔健康机器学习诊所（JameelClinic）的同事们开始利用深度学习尝试寻找新的抗生素。他们的工作已经产生了针对鲍曼不动杆菌（一种常见于医院的细菌）和许多其他耐药细菌的潜在药物。这些化合物是利用深度学习模型确定的，该模型可以学习识别与抗菌活性相关的化学结构。然后，这些模型会筛选数百万种其他化合物，预测哪些化合物可能具有较强的抗菌活性。事实证明，这类搜索富有成效，但这种方法的一个局限是，模型是"黑盒子"，也就是说，无法知道模型是根据什么特征进行预测的。如果科学家们知道模型是如何做出预测的，他们就能更容易地找出或设计出更多的抗生素。黄说："我们在这项研究中要做的就是打开黑盒子。这些模型由大量模拟神经连接的计算组成，没有人真正知道这底下发生了什么"。提高人工智能的预测准确性首先，研究人员使用大幅扩展的数据集训练了一个深度学习模型。他们通过测试约3.9万种化合物对MRSA的抗生素活性生成了这些训练数据，然后将这些数据以及化合物的化学结构信息输入模型。Wong说："基本上可以将任何分子表示为化学结构，还可以告诉模型该化学结构是否具有抗菌性。这个模型是在许多这样的例子中训练出来的。如果你给它任何新的分子、新的原子和化学键排列，它就能告诉你该化合物被预测为抗菌的概率。"为了弄清该模型是如何做出预测的，研究人员采用了一种被称为蒙特卡洛树搜索的算法，这种算法已被用来帮助使其他深度学习模型（如AlphaGo）更易于解释。这种搜索算法不仅能让模型对每种分子的抗菌活性做出估计，还能预测该分子的哪些亚结构可能会产生这种活性。人工智能驱动的药物发现过程为了进一步缩小候选药物的范围，研究人员又训练了三个深度学习模型，以预测化合物是否对三种不同类型的人体细胞有毒。通过将这些信息与抗菌活性预测相结合，研究人员发现了既能杀死微生物，又能对人体产生最小不良影响的化合物。利用这组模型，研究人员筛选了大约1200万种化合物，所有这些化合物都可以在市场上买到。根据分子中的化学子结构，模型从这些化合物中识别出了五种不同类别的化合物，这些化合物预计对MRSA具有活性。有希望的成果和未来方向研究人员购买了大约280种化合物，并对它们进行了针对在实验室培养皿中生长的MRSA的测试，从而确定了同一类中的两种似乎非常有希望成为候选抗生素的化合物。在两种小鼠模型（一种是MRSA皮肤感染模型，另一种是MRSA全身感染模型）的测试中，每种化合物都能将MRSA的数量减少10倍。实验发现，这些化合物似乎通过破坏细菌在细胞膜上维持电化学梯度的能力来杀死细菌。许多关键的细胞功能都需要这种梯度，包括产生ATP（细胞用来储存能量的分子）的能力。柯林斯实验室在2020年发现的一种候选抗生素--Halicin似乎也是通过类似的机制发挥作用的，但它对革兰氏阴性细菌（细胞壁较薄的细菌）具有特异性。MRSA是一种革兰氏阳性细菌，细胞壁较厚。Wong说："我们有相当有力的证据表明，这种新的结构类药物通过选择性地消散细菌中的质子动力，对革兰氏阳性病原体具有活性。这些分子选择性地攻击细菌细胞膜，而不会对人类细胞膜造成实质性损害。我们大幅增强的深度学习方法使我们能够预测这一类新结构的抗生素，并发现它对人类细胞没有毒性。"研究人员与PhareBio分享了他们的研究成果，PhareBio是柯林斯等人创办的非营利组织，也是抗生素人工智能项目的一部分。该非营利组织目前计划对这些化合物的化学特性和潜在临床用途进行更详细的分析。与此同时，柯林斯的实验室正在根据新研究的结果设计更多的候选药物，并利用这些模型寻找能杀死其他类型细菌的化合物。Wong说："我们已经在利用基于化学子结构的类似方法来重新设计化合物，当然，我们也可以随时采用这种方法来发现针对不同病原体的新型抗生素。"编译自:ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1426194.htm手机版：https://m.cnbeta.com.tw/view/1426194.htm

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现为了教会机器学习模型预测分子的生物或机械特性，研究人员必须向其展示数百万个标记的分子结构--这一过程被称为训练。由于发现分子所需的费用以及对数百万个结构进行手工标注所面临的挑战，通常很难获得大型训练数据集，这限制了机器学习方法的有效性。相比之下，麻省理工学院研究人员创建的系统只需少量数据就能有效预测分子特性。他们的系统从根本上理解了决定构件如何结合产生有效分子的规则。这些规则捕捉分子结构之间的相似性，帮助系统以数据高效的方式生成新分子并预测其性质。这种方法在小型和大型数据集上的表现都优于其他机器学习方法，当给定的数据集样本少于100个时，它能够准确预测分子性质并生成可行的分子。麻省理工学院和麻省理工学院-沃森人工智能实验室的研究人员开发了一种统一框架，利用机器学习同时预测分子性质并生成新分子，只需使用少量数据进行训练。图片来源：Jose-LuisOlivares/麻省理工学院"我们这个项目的目标是使用一些数据驱动的方法来加速新分子的发现，这样就可以训练一个模型来做预测，而不需要所有这些成本高昂的实验，"领衔作者、计算机科学与电子工程（EECS）研究生郭明浩（音译）说。郭明皓的共同作者包括MIT-IBM沃森人工智能实验室的研究人员VeronikaThost、PayelDas和JieChen；MIT应届毕业生SamuelSong23和AdithyaBalachandran23；资深作者WojciechMatusik，他是电气工程和计算机科学教授，也是MIT-IBM沃森人工智能实验室的成员，领导着MIT计算机科学和人工智能实验室（CSAIL）的计算设计和制造小组。该研究成果将在国际机器学习大会（InternationalConferenceforMachineLearning）上发表。学习分子语言为了使机器学习模型达到最佳效果，科学家们需要包含数百万个分子的训练数据集，这些分子与他们希望发现的分子具有相似的性质。在现实中，这些特定领域的数据集通常非常小。因此，研究人员使用在大型通用分子数据集上预先训练好的模型，然后将其应用于更小的、有针对性的数据集。然而，由于这些模型没有获得太多特定领域的知识，它们的表现往往很差。麻省理工学院的研究小组采取了不同的方法。他们创建了一个机器学习系统，该系统仅使用一个小型的特定领域数据集，就能自动学习分子的"语言"--即所谓的分子语法。它利用这种语法构建可行的分子并预测其特性。在语言理论中，人们根据一套语法规则生成单词、句子或段落。您可以用同样的方式来理解分子语法。这是一套生产规则，规定如何通过原子和亚结构的组合生成分子或聚合物。就像语言语法可以使用相同的规则生成大量句子一样，一个分子语法可以代表大量分子。具有相似结构的分子使用相同的语法生成规则，系统通过学习来理解这些相似性。由于结构相似的分子往往具有相似的性质，系统利用其分子相似性的基础知识，更有效地预测新分子的性质。郭说："一旦我们有了这个语法作为所有不同分子的表征，我们就可以用它来促进性质预测过程。"该系统利用强化学习来学习分子语法的生产规则--在这个试错过程中，模型会因为更接近实现目标的行为而获得奖励。但是，由于原子和子结构的组合方式可能有数十亿种，因此学习语法生成规则的过程对于最微小的数据集来说计算成本太高。研究人员将分子语法解耦为两部分。第一部分称为元语法（metagrammar），是一种通用的、广泛适用的语法，由他们手工设计并在一开始就提供给系统。然后，它只需要从领域数据集中学习更小的特定分子语法。这种分层方法加快了学习过程。小数据集，大成果在实验中，研究人员的新系统同时生成了可行的分子和聚合物，并比几种流行的机器学习方法更准确地预测了它们的性质，即使特定领域的数据集只有几百个样本。其他一些方法还需要昂贵的预训练步骤，而新系统避免了这一步骤。该技术在预测聚合物的物理性质方面尤其有效，例如玻璃化转变温度，即材料从固态转变为液态所需的温度。由于实验需要极高的温度和压力，手动获取这一信息往往成本极高。为了进一步推动他们的方法，研究人员将一个训练集减少了一半以上--仅有94个样本。他们的模型仍然取得了与使用整个数据集训练的方法相当的结果。"这种基于语法的表示方法非常强大。由于语法本身是一种非常通用的表示方法，因此它可以被部署到不同类型的图形式数据中。我们正试图确定化学或材料科学以外的其他应用，"郭说。未来，他们还希望将目前的分子语法扩展到分子和聚合物的三维几何图形，这是理解聚合物链之间相互作用的关键。他们还在开发一个界面，向用户显示学习到的语法生成规则，并征求反馈意见以纠正可能错误的规则，从而提高系统的准确性。...PC版：https://www.cnbeta.com.tw/articles/soft/1370825.htm手机版：https://m.cnbeta.com.tw/view/1370825.htm