深度学习
将合成生物学与AI相结合，以无细胞方式寻找新抗生素
编辑 | 萝卜皮生物活性肽是健康和医学的关键分子。深度学习为生物活性肽的发现和设计带来了巨大的希望。然而，需要合适的实验方法来以高通量和低成本验证候选物。马克斯·普朗克陆地微生物研究所（Max Planck Institute for Terrestrial Microbiology）的研究团队建立了无细胞蛋白质合成（CFPS）管线，用于直接从 DNA 模板快速、廉价地生产抗菌肽 (AMP)。为了验证该平台，研究人员使用深度学习从头设计了数千个 AMP。使用计算方法，研究人员对使用 CFPS 管线生成和筛选的 50
稳健且准确，AlphaFold 结合两种 AI 方法，实现蛋白质化学位移自动分配
编辑 | 绿萝化学位移分配对于基于核磁共振 (NMR) 的蛋白质结构、动力学和相互作用研究至关重要，可提供重要的原子级见解。然而，获得化学位移分配是劳动密集型的并且需要大量的测量时间。为了解决这一限制，苏黎世联邦理工学院（ETH Zurich）的研究人员之前提出了 ARTINA——一种用于自动分配二维 (2D)–4D NMR 谱的深度学习方法。近日，研究人员提出了一种将 ARTINA 与 AlphaFold 和 UCBShift 相结合的综合方法，能够减少实验数据、提高准确性并增强大型系统的稳健性，从而实现化学位移
可在数据限制下训练高维因果结构，德国DZNE团队提出一种深度神经架构
编辑 | 萝卜皮因果学习是科学人工智能的一个关键挑战，因为它使研究人员能够超越纯粹的相关或预测分析，学习潜在的因果关系，这对于科学理解以及广泛的下游任务非常重要。受新兴生物医学问题的启发，德国神经退行性疾病中心（German Center for Neurodegenerative Diseases，DZNE）的研究人员提出了一种深度神经架构，用于从高维数据和先验因果知识的组合中学习变量之间的因果关系。该团队将卷积神经网络和图神经网络结合在因果风险框架内，提供了一种在高维、噪声和数据限制条件下明显有效的方法，这些条
通过深度学习预测离散时间分岔
编辑 | 白菜叶许多自然和人造系统都容易发生关键转变——动态方面的突然且可能具有破坏性的变化。深度学习分类器可以通过从大型模拟训练数据集中学习分叉的通用特征，为关键转变提供预警信号。到目前为止，分类器仅被训练来预测连续时间分岔，忽略了离散时间分岔所特有的丰富动态。在这里，麦吉尔大学（McGill University）Thomas M. Bury 的研究团队训练一个深度学习分类器，为余维一的五个局部离散时间分岔提供预警信号。他们使用生理学、经济学和生态学中使用的离散时间模型的模拟数据以及经历倍周期分岔的自发跳动的鸡
战胜柯洁的深度学习，有可能取代设计师吗？
最近看到在「Baidu Create 2019」的百度 AI 交互设计论坛上，设计师分享了他们的最新成果：百度人工智能交互设计院与百度研究院商业智能实验室合作，基于百度自主研发、开源开放的深度学习框架飞桨（PaddlePaddle），让系统在每个模块组合形成的不同界面中找到最优解，在模型框架内给出任何一种设计，机器都能快速预测用户的偏好结果，设计师将以此为基础给出符合用户喜好与使用习惯的最佳解决方案。
设计存在的问题
现在的深度学习能用于界面设计吗？能基于深度学习给出符合用户喜好与使用习惯的最佳解决方案吗？这是 A
面对人工智能和深度学习，设计师到底要如何自处？
一键生成广告、插画、布局、视觉稿，这样的技术和产品在某种意义上几乎已经在我们眼前了。
建立一个真正称得上是拥有智能的系统，针对特定受众的需求来生成素材，理解人类的情感和语义中的潜台词，明白行为的概念和美的意义，这仍然还太远。
不过，建立一个专门的深度学习系统，自动化的设计流程，能够让设计师从一部分完全手动的工作中解放出来，这是完全可行的。
实际上已经有很多新兴的设计素材和设计工具在做这个事情了。
比如下面这些以深度学习为驱动力的创新的、自动化设计工具：
Colormind.ioColormind 致力于让色彩理论真