AI与生命科学

AI与生命科学

机器学习帮助数学家发现两大猜想，以及采用机器学习、多尺度建模和高性能计算相结合的方式解决超大规模量子随机电路实时模拟问题，让人们看到了人工智能应用于科学研究，在处理数据、设计新型实验以及创建更高效的计算模型方面的巨大潜力。

AI for Science新兴研究领域出现，有望带来科研范式的改变！正在兴起的AI for Science有望促进数据驱动和理论推演两大科研范式的深度融合。

在计算机领域，Jeff Dean还强调在疾病诊断，尤其是在医学成像上的应用，比如在改善乳腺癌筛检、检测肺癌、加速癌症的放射治疗、标记异常X射线和前列腺癌期活检等领域。

另一个值得关注的方向就是利用NLP技术来分析结构化数据与医疗记录，辅助临床医生提供更准确的诊断护理。

AI靠发现海量数据之中的隐藏模式，辅助数学家提出两大猜想，让人们看到了AI在科学研究上的更多潜力，AI for Science成为新的热词。

百度研究院认为，AI有望带来科研范式的改变，数据驱动与理论推演的融合将在更多学科中发挥作用。

药物开发过程是一件代价高昂的事情，无论是在投入的时间还是金钱方面。即使是开发单个组件也需要数百名研究人员的共同努力。现代人工智能最有趣的应用之一是药物发现。研究人员预计，最先进的人工智能算法可以用来加速整个过程。例如，细胞计数是生物学中一个活跃的研究领域。视觉AI系统和计算机视觉可以帮助在几秒钟内以难以想象的准确性完成它。

AI让基因编辑更精准快速地找到靶点， AI助力在蛋白质结构预测上取得显著突破。两者的深度融合将显著缩短药品研发周期、降低研发成本，促进精准医学和个性化诊疗。

生命科学迎来数据驱动时代，核心代表正是AlphaFold2。

AlphaFold2以及人类蛋白质组数据集的开源再次引爆计算生物学！

人工智能预测蛋白质结构

12 月 15 日，Nature 发布了《2021 年十大科学新闻》；12 月 17 日，Science 紧随其后，公布了《2021 年度十大科学突破》。Nature 和 Science 都将「人工智能预测蛋白质结构」评为本年度最重要的发现，Science 更是将其列为“2021 年十大科学突破进展”之首。

长期以来，蛋白质结构的预测一直是生物学领域的研究热点和难点。传统的蛋白质结构探测方法主要有三种：X 射线晶体学、核磁共振和冷冻电镜。但这些方法成本较高，研究周期漫长，且进展有限。

人工智能为这一困扰生物学界数十年的难题按下了快进键。

今年 7 月，蛋白结构两大 AI 预测算法 —— DeepMind 的 AphaFold2 和华盛顿大学等机构研发的 RoseTTAFold 相继开源。

AphaFold2“解锁”98% 人类蛋白质组

7 月 16 日，DeepMind 在 Nature 发表论文，宣布已利用 Alpha Fold2 预测了 35 万种蛋白质结构，涵盖了 98.5% 的人类蛋白质组，及其他 20 种生物几乎完整的蛋白质组。研究团队还公布了 AlphaFold2 的开源代码和技术细节。

RoseTTAFold 可十分钟内计算出蛋白质结构

同日，华盛顿大学蛋白设计研究所 David Baker 教授课题组及其他合作机构在 Science 上发表论文 ，公布了其开源蛋白质预测工具 RoseTTAFold 的研究结果。研究团队探索了结合相关思想的网络架构，并通过三轨网络获得了最佳性能。三轨网络产生的结构预测精度接近 CASP14 中的 DeepMind 团队的 AlphaFold2，且速度更快、所需计算机处理能力更低。仅用一台游戏计算机，在短短十分钟内就能可靠地计算出蛋白质结构。

DeepMind 开源 AlphaFold2，预测出 98.5% 的人类蛋白质结构。同时，AlphaFold 2 在去年入选 Science 年度十大突破，被称作结构生物学“革命性”的突破、蛋白质研究领域的里程碑。

2018 年的 AlphaFold 使用的神经网络是类似 ResNet 的残差卷积网络，到了 AlphaFold2 则借鉴了 Transformer 架构。

AlphaFold2 利用多序列比对，把蛋白质的结构和生物信息整合到了深度学习算法中。它的出现，能更好地预判蛋白质与分子结合的概率，从而极大地加速新药研发的效率。

不过在进一步发展之后，数据瓶颈不容忽视：高质量研发数据不足，以及医药研发可用数据与靶点价值成反比。不过目前业内已经有相应的解决方案，比如建立药物大数据实验室、多学科融合等方法。