深度学习 - AI在线

微软发布首个大气AI基础模型Aurora

编辑 | ScienceAI2023 年 11 月，风暴「夏兰」（Ciarán）袭击欧洲西北部，造成严重破坏。与风暴 Ciarán 相关的低压系统为英格兰创下了新纪录，这是一次极为罕见的气象事件。那场风暴的强度让许多人措手不及，暴露了当前天气预报模型的局限性，并突显出面对气候变化需要更准确的预测。当大家努力应对后果时，一个紧迫的问题出现了：我们如何才能更好地预测和准备应对这种极端天气事件？最近的一项研究表明，即使是最先进的 AI 天气预测模型在捕捉风暴 Ciarán 的快速增强和峰值风速方面也面临的挑战。为了帮助应

超衍射极限1.5倍，成像条件低10倍，清华、中国科学院用AI方法提高显微镜分辨率

图示：通过 ZS-DeconvNet 对快速光敏生物过程进行长期 SR 成像。（来源：论文）编辑 | 萝卜皮计算超分辨率方法，包括传统的分析算法和深度学习模型，极大地改进了光学显微镜。其中，有监督深度神经网络表现出了出色的性能，但由于活细胞的高动态性，需要大量的高质量训练数据，而获取这些数据非常费力甚至不切实际。在最新的研究中，清华大学和中国科学院的研究人员开发了零样本反卷积网络（Zero-shot deconvolution networks，ZS-DeconvNet），可立即将显微镜图像的分辨率提高超过衍射极限

效果超AlphaFold系列，量子计算方法用于蛋白质结构预测

编辑 | 白菜叶虽然 AlphaFold 等深度学习方法在计算机蛋白质结构预测领域取得了不错的成绩，但该领域的研究仍然是生物医学研究中一个具有挑战性的问题。随着量子计算的快速发展，人们自然会问：量子计算机是否能为解决这一问题提供一些帮助。然而，确定适合量子优势的特定问题实例，以及评估所需的量子资源同样具有挑战性。在这里，克利夫兰诊所（Cleveland Clinic）和 IBM Quantum 的研究人员分享了他们的观点，即如何创建一个框架来系统地选择适合量子优势的蛋白质结构预测问题，并在实用级量子计算机上估计此类

预测配体-靶标对的结合亲和力，哈工大开发新SOTA药物表示模型

编辑 | 白菜叶了解配体-靶标对的分子间相互作用是指导优化癌症药物研究的关键，这可以大大减轻湿实验室的负担。当前计算方法存在一些缺陷，限制了它们的实际应用。在这里，哈尔滨工业大学的研究人员在此提出了 DrugMGR，这是一种深度多粒度药物表示模型，能够预测每个配体-靶标对的结合亲和力和区域。通过对配体复杂的自然机制和蛋白质高级特征的多粒度表示学习，DrugMGR 几乎在所有数据集上都显著优于当前最先进的方法。并且，这是第一个同时使用图、卷积和基于注意力的信息分析蛋白质-配体复合物的模型。该研究以「DrugMGR:

AlphaFold 3 重磅问世，全面预测蛋白质与所有生命分子相互作用及结构，准确性远超以往水平

编辑 | 萝卜皮自 2021 年发布强大的人工智能 (AI) 工具 AlphaFold2 以来，科学家们一直在使用蛋白质结构预测模型来绘制细胞内各种蛋白质结构的图谱、发现药物，并绘制每种已知蛋白质相互作用的「宇宙图」。就在刚刚，Google DeepMind 发布了 AlphaFold3 模型，该模型能够对包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物进行联合结构预测。AlphaFold3 的准确性对比过去许多专用工具（蛋白质-配体相互作用、蛋白质-核酸相互作用、抗体-抗原预测）有显著提高。这表明，在单个统一

深度学习与化学语言模型结合，用于药物从头设计，登Nature子刊

编辑 | X从头药物设计旨在从零开始生成具有特定化学和药理学特性的分子。近日，苏黎世联邦理工学院的化学家开发了一种新的计算机程序，可以根据蛋白质的三维表面快速、轻松地生成活性药物成分。研究人员提出了一种利用基于相互作用组（interactome）的深度学习的计算方法，用于基于配体和结构的类药物分子生成。「这是药物发现的真正突破。」苏黎世联邦理工学院化学与应用生物科学系教授 Gisbert Schneider 说。这种方法利用了图神经网络和化学语言模型的独特优势，为特定应用的强化、迁移或少样本学习的需求提供了替代方

保真度高达~98%，广工大「AI+光学」研究登Nature子刊，深度学习赋能非正交光复用

编辑 | X通道之间的正交性在光复用中扮演着关键的角色。它确保了不同通道之间的信号不会相互干扰，从而实现了高效的数据传输。因此，光复用系统可以同时传输多个通道的数据，提高了光纤的利用率。然而，它不可避免地施加了复用容量的上限。在此，广东工业大学通感融合光子技术教育部重点实验室开发一种基于深度神经网络的多模光纤（MMF）上的非正交光复用，称为散斑光场检索网络（Speckle light field retrieval network，SLRnet），它可以学习包含信息编码的多个非正交输入光场与其对应的单强度输出之间的

可发现药物靶点，哈佛等机构开发了一种对蛋白建模的深度学习方法

编辑 | 萝卜皮翻译延伸对于维持细胞蛋白质稳态至关重要，并且翻译景观的改变与一系列疾病相关。核糖体分析可以在基因组规模上详细测量翻译。然而，目前尚不清楚如何从这些数据中的技术产物中分离出生物变异，并识别翻译失调的序列决定因素。在最新的研究中，中国科学院、哈佛大学（Harvard University）、斯坦福大学（Stanford University）、约翰霍普金斯大学（Johns Hopkins University）的研究团队开发了 Riboformer，一个基于深度学习的框架，用于对翻译动态中上下文相关的变

ICLR 2024 Spotlight｜厦门大学、Intel、大疆联合出品，从网络视频中学习零样本图像匹配大模型

图像匹配是计算机视觉的一项基础任务，其目标在于估计两张图像之间的像素对应关系。图像匹配是众多视觉应用如三维重建、视觉定位和神经渲染 (neural rendering) 等的基础和前置步骤，其精确度和效率对于后续处理十分重要。传统算法（SIFT）在面临长基线或极端天气等复杂场景时，其匹配的准确度和密度往往有限。为了解决这些问题，近年来，基于深度学习的匹配模型逐渐流行。然而，由于缺乏大规模且多样化的具有真值标签的训练数据，目前的匹配模型通常是在 ScanNet 和 MegaDepth 上分别训练室内和室外两个模型。这

超越AF2？Iambic、英伟达、加州理工学院开发多尺度深度生成模型，进行状态特异性蛋白质-配体复合物结构预测

编辑 | 萝卜皮由蛋白质和小分子配体形成的结合复合物无处不在，对生命至关重要。虽然最近科学家在蛋白质结构预测方面取得了进展，但现有算法无法系统地预测结合配体结构及其对蛋白质折叠的调节作用。为了解决这种差异，AI 制药公司 Iambic Therapeutics、英伟达（Nvidia Corporation）以及加州理工学院（California Institute of Technology）的研究人员提出了 NeuralPLexer，这是一种计算方法，可以仅使用蛋白质序列和配体分子图输入直接预测蛋白质-配体复合物

GPDRP：基于图 Transformer 和基因通路的药物反应预测多模态框架

编辑 | X在计算个性化医学领域，药物反应预测（DRP）是一个关键问题。但是，现有的研究通常将药物描述为字符串，这种表示与分子的自然描述不符。此外，忽略了基因通路（pathway）特异性组合含义。近日，来自河南科技大学的研究人员提出了基于药物图和基因通路的药物反应预测方法（GPDRP），这是一种新的多模态深度学习模型，用于预测基于药物分子图和基因途径活性的药物反应。在 GPDRP 中，药物由分子图表示，而细胞系则以基因途径活性评分描述。该模型使用具有图 Transformer 和深度神经网络的图神经网络(GNN)分

ICLR 2024接收率31％，清华LCM论文作者：讲个笑话，被拒了

你被拒了吗？ICLR 2024 国际学习表征会议已经来到了第十二届，将于今年 5 月 7 日 - 11 日在奥地利维也纳会展中心举行。在机器学习社区中，ICLR 是较为「年轻」的学术顶会，它由深度学习巨头、图灵奖获得者 Yoshua Bengio 和 Yann LeCun 牵头举办，2013 年才举办了第一届。不过 ICLR 很快获得学术研究者们的广泛认可，被认为是深度学习顶会。在 Google Scholar 的学术会议 / 杂志排名中，ICLR 目前排名第十位，要高于 NeurIPS。今日，ICLR 2024

西南交大杨燕/江永全团队：基于双任务的端到端图至序列无模板反应预测模型

排版 | X本文介绍西南交通大学杨燕/江永全团队发表于《Applied Intelligence》的研究成果，第一作者是硕士生胡昊哲。论文链接：：(Graph-to-Sequence)模型框架为基础，进一步在同参数量规模下尝试构建一类在单个模型中同时解决逆合成预测与正向反应预测任务的模型 BiG2S(Bidirectional Graph-to-Sequence)。同时，作者初步分析了模型在主流逆合成数据集 USPTO-50k 上训练时不同 SMILES 片段的预测难度差异以及模型在训练期间对验证集数据 Top-k

上海交大团队利用深度学习进行运动评估，促进脑瘫早期筛查

编辑 | 白菜叶Prechtl 全身运动评估 (GMA) 因其在评估神经系统发育完整性和预测运动功能障碍方面的作用而日益得到认可，特别是在脑瘫 (CP) 等疾病中。然而，对训练有素的专业人员的需求，阻碍了一些国家采用 GMA 作为早期筛查工具。在最新的研究中，上海交通大学的研究人员提出了一种基于深度学习的运动评估模型（MAM），该模型结合了婴儿视频和基本特征，旨在在烦躁运动（FM）阶段实现 GMA 自动化。MAM 表现出强大的性能，在外部验证期间实现了 0.967 的曲线下面积 (AUC)。重要的是，它严格遵循 G

分类性能提高 10%，港中大利用大型蛋白质语言模型发现未知信号肽

编辑 | 萝卜皮信号肽 (SP) 对于跨膜和分泌蛋白靶向并将其转移到正确位置至关重要。许多现有的预测 SP 的计算工具忽视了极端的数据不平衡问题，而依赖于蛋白质的额外组信息。香港中文大学的研究人员开发了无偏生物体不可知信号肽网络（Unbiased Organism-agnostic Signal Peptide Network，USPNet），一种 SP 分类和切割位点预测深度学习方法。大量的实验结果表明，USPNet 的分类性能比之前的方法大幅提高了 10%。USPNet 的 SP 发现流程旨在从宏基因组数据中探

浙大开发DeepSorption：晶态多孔材料吸附性能深度学习框架

编辑 | 紫萝空间转录组学 (ST) 技术可检测单个细胞中的 mRNA 表达，同时保留其二维 (2D) 空间坐标，使研究人员能够研究转录组在组织中的空间分布；然而，对多个 ST 切片进行联合分析并将它们对齐以构建组织的三维 (3D) 堆栈仍然是一个挑战。近日，来自中国科学技术大学、合肥综合性国家科学中心和北京生命科学研究所（NIBS）的研究团队，提出了用于 ST 数据分析的深度学习空间架构表征 (SPACEL)。SPACEL 包含三个模块——Spoint、Splane 和 Scube——涵盖了 ST 数据的三个分析

浙大开发DeepSorption：专家知识共学习的晶态多孔材料吸附性能深度学习框架

编辑 | ScienceAI近日，浙江大学杭州国际科创中心生物与分子智造研究院邢华斌教授团队和陈华钧教授团队瞄准多孔吸附剂材料的精准智造，开发出专家知识共学习的晶态多孔材料吸附性能端对端深度学习框架 DeepSorption，有效提升多孔材料吸附性能的预测精度与速度，并实现了原子尺度的可解释性。这一成果以《Direct prediction of gas adsorption via spatial atom interaction learning》为题，于 2023 年 11 月 3 日发表在《Nature C

OpenAI同意从一家初创公司购买5100万美元的类脑芯片，CEO Altman是它的股东

机器之能报道编辑：大盘鸡、吴昕据连线杂志报道，OpenAI 签署过一份意向书，斥资 5100 万美元购买初创公司 Rain 开发的类脑芯片。OpenAI CEO Sam Altman 此前曾对这家初创芯片公司进行过个人投资，拥有股份。Rain 的总部距离 OpenAI 旧金山总部不到一英里，正在开发一种名为神经形态处理单元 (NPU) 的芯片，拥有不同的芯片架构——结构和功能上高度模拟人脑计算原理。公司目前拥有约 40 名员工，其中包括人工智能算法开发和传统芯片设计方面的专家。在此之前，人们最为熟知的类脑芯片可能