上交團隊開發蛋白突變結構和能量預測模型，將AI蛋白計算效率提升1萬倍
近年來人工智能（AI）技術逐漸成爲“科學的新範式”。從解決傳統的“計算科學問題”到“基礎學科微觀行爲機制”的探索與設計平臺，AI 技術正不斷深入各垂直應用領域，推動大量領域的快速發展。
在基礎學科領域，研究者可以藉助 AI 技術打破人類思維的侷限性，發現新規律、新現象。例如，決策或計算任務的自動執行、人工智能輔助優化方案、數據高效生成等。最重要的是，AI 處理和分析海量數據的能力可以幫助研究者挖掘到一般方法難以獲取的數據模式。
因此，在 AI for Science 相關學科中，AI 能夠取代傳統的低效率方法，縮短研發週期，加速基礎學科的發展。在物理層面，AI 通過更奇特的表徵，重新發現、理解和擴展基本物理規律，包括對稱性、守恆律、經典力學定律等，以物理世界爲基礎的直覺發現新的科學概念和範式，爲物理學提供了另類見解。
民众党不分区「两年轮换制」纳各阵营 绿委评有威胁：抢攻两族群
在化學層面，AI 利用化學知識數據，提取高價值特徵，結合自動化技術優化的重要反應化學合成過程，減少廢物產生，提高可持續性，促進綠色化學的發展。
在材料層面，AI 以材料的電、光、力、磁、熱等性質爲導向，在原子尺度、微觀結構等多維度對材料進行高效、高通量篩選與定向設計。在生物層面，AI 技術涉及的一攬子技術以理性設計各種生物結構和網絡爲手段，能夠促進舊系統的優化、高性能新結構的產生，在終端產品上實現極大降本增效。
农女狂 小说
圖丨李金金（來源：）
小说
王美惠4年争取15亿 提升嘉义市环境道路品质、汰换警消设备
在上海交通大學獲得凝聚態物理學博士學位後，赴美國伊利諾伊大學厄巴納-香檳分校從事博士後研究，在美國加州大學聖芭芭拉分校擔任研究員後，回到母校上海交通大學任教併成立上海交通大學人工智能與微結構實驗室（AIMS-Lab）。
將 AI for Science 在材料科學、生命科學應用
上海交通大學人工智能與微結構實驗室（AIMS-Lab）聚焦於 AI for Science 研究，探索 AI 在材料科學及生命科學領域的應用[1-6]。將 AI 應用在材料科學，AIMS-Lab 實驗室提出了基於知識與數據雙驅動的可解釋模型，充分結合模型內在可解釋性與事後可解釋性，挖掘模型所學信息，實現了高效高性能新材料的發現與設計。
全场景生态布局带来业绩新高，同程旅行三季度收入33亿元
目前，他們開發的 AI for Materials 模型已經發現了一系列新型化合物，例如尖晶石、石榴石、四元半導體、雙鈣鈦礦等。AIMS-Lab 團隊針對鋰離子導體中鋰離子遷移機制不清晰、計算與實驗成本高等問題，開發了一個受物理啓發的機器學習預測平臺 IonML，同時提供了涵蓋上萬個超離子導體的數據庫，可實現數據檢索、下載、預測以及優化等多種功能。表示，在不久的將來，這些新材料會被實驗合成，並在光電器件、固態電解質、光伏薄膜等領域得到實際應用。
英大长安时隔10年再现股东清仓退出，转让价格则已大涨5.5倍，近期保险经纪公司股权转让频繁
該團隊開發的 AI 與材料科學一體化的端到端的平臺——AlphaMat 已於近日上線，其包含了近百個功能，輸入指令即可完成對應的任務，不需要具備編程基礎，僅需 5 分鐘即可快速應用[1]。
AlphaMat 支持材料科學領域 AI 應用的整個流程，集成 26 個 AI 模型、91 個材料數據後處理和分析工具，包含上百萬個材料屬性的數據庫，並將實時擴展，可滿足幾乎所有建模需求。表示，該平臺的推出初衷是降低門檻，讓更多基礎學科的研究人員加入到材料信息學的研究中，共同推動 AI for Science 的發展。
（來源：AIMS-Lab）
在生命科學領域，結合量子力學、神經網絡和遷移學習算法，AIMS-Lab 團隊開發了 ITLFF、MLQM-protein 等多個生物大分子力場構建軟件、蛋白突變結構和能量預測軟件、酶功能（酶活、熱穩定性）篩選算法等。在全球人工智能輔助生物製造領域熱潮的推動下，涌現了大量的人工智能算法預測生物分子的結構、力場、能量等參數。
但是，由於蛋白質體系龐大、結構複雜、應用環境複雜多變、高精度數據獲取難度大等問題，前人的工作始終無法實現基於高精度標準的人工智能生物大分子（如酶蛋白）的預測。相比於傳統的高精度量子力學計算方法，研究團隊提出的一種基於共軛帽二體分塊算法的深度神經網絡方法，能夠將計算效率提升約 1 萬倍，已被應用於結構生物學和合成生物學領域，如藥物分子設計、多肽/抗體設計以及酶分子設計與改造。
該團隊基於量子力學計算、分塊算法、勢能面模型和深度學習提出了基於人工智能的蛋白質量子力學勢能面（Quantum-PES）算法，基於量子力學精度數據集構建高精度高泛化能力的勢能面預測模型，解決了量子力學在生物大體系中的應用難題。
該算法能對任意蛋白質能量、原子力、穩定性等進行高效量子力學精度計算，能夠實現蛋白質及其複合物的結構動態模擬，深入解析作用機制和結構-功能關係，實現對酶蛋白的定向設計，可以批量獲取具有高活性、高穩定性、適應工業環境等良好屬性的酶製劑產品。能夠實現對任意蛋白質能量、原子力及穩定性的高效高精度計算。
蛋白分子突變與其特性和衆多疾病具有明確的因果關係，因此準確預測蛋白質突變，對功能性質造成的影響至關重要。然而，三維結構的稀有性和複雜性嚴重限制了蛋白質性質功能預測模型的開發和應用。同時，基於結構信息的計算速度較慢，而通過序列進行模型構建對特徵提取和算法具有非常高的要求，開發效率極低。
西媒：阿根廷经济为何屡屡陷入危机
即便如此，基於序列的模型也很難保證較高的預測精度。AIMS-Lab 團隊以數據驅動爲基礎，提出了基於人工智能和大數據的聚類樹迴歸算法（Clustered Tree Regression，CTR）技術，將無監督學習和有監督學習相結合，減小了人工智能模型中蛋白質序列特徵分佈差異大所帶來的精度損失，實現彎道超車。
該團隊構建了包含上百萬蛋白質數據的序列向量數據庫，在不依賴於蛋白質三維結構和冗餘訓練的前提下，可於毫秒時間尺度內，實現在大量數據中充分挖掘蛋白質特徵的目標，解決了基於結構的生物分子預測算法的複雜維度難題，在蛋白質大模型的預訓練中發揮重要作用。這些 AI 蛋白模型在對理解蛋白質摺疊、DNA 動力學模擬以及實現新藥設計等方面具有重要的意義。
低头弓背使法令纹变深 战胜表情纹有秘诀
談及科研之路的感悟，表示，科技路漫漫，篳路藍縷啓山林，青春光熠熠，君子不器拓邊界，希望每位科研工作者和學生都有一份超越自我之心、挑戰自我心、戰勝自我之心，以不甘落後的精神來面對每個挑戰。
以解決實際問題爲導向，推動 AI 在基礎學科中的應用
AIMS-Lab 的科研成果離不開來自 AI、材料、化學、生物等多種學科背景的成員，團隊組成與 AI for Science 內核高度吻合，是跨學科研究和創新的結果。在經過各個學科領域的思維碰撞和討論後，許多跨學科的難題迎刃而解。
新店民安段青年社宅预计2024完工 下半年开始招租
這是 AI 與多學科交叉融合的一個縮影。近年來，很多高校已經開設了人工智能或相關的專業，這有利於培養專業從事 AI 和數據挖掘的高質量人才。指出，我們必須看到，在解決基礎學科的關鍵問題時，往往會出現對基礎領域背景不清晰、科學問題理解不深入的情況，這說明目前更需要具有交叉背景的人才。
舉例來說，傳統計算機科學的研究人員處理傳統計算機領域的問題很得心應手（例如，計算機視覺、圖像識別、自然語言處理、語音識別等）。但是，面對 AI for Science 中的一些基礎學科（如物理學、化學、材料學、生物學等），單純計算機科學的研究人員由於缺乏相關專業背景知識，會面臨無從下手、問題解析不深入、提出的 AI 模型不具備可解釋性等情況。
日本急发「J-Alert」 北韩疑似朝冲绳方向发射飞弹
因此，如何把 AI 算法由“黑箱”變成具有可解釋性的物理化學模型，纔是 AI for Science 發展的靈魂所在。只有解決了這個問題，強大的 AI 才能爲人類所用。另外，爲了實現真正的應用落地，研究者也不應該侷限於高效率與高精度的理論發展，而更應該與實驗科學家探討，以解決實際問題爲導向，推動 AI 在基礎學科中的應用。
AIMS-Lab 實驗室將持續專注 AI 在物質科學、生命科學等領域的研究，涵蓋數據庫平臺構建、智能模型開發、實際應用等。“未來，我們希望 AI 不僅能夠對實驗的結果進行準確地預判，也能對實驗現象和產品的性能進行可靠地解釋。實驗使 AI 更強大、更精準；而 AI 則讓實驗更加降本增效，帶領人類更快速地去發現並創造。”最後說道。
參考資料：
1. Jinjin Li, et al. AlphaMat: a material informatics hub connecting data, features, models and applications, npj Computational Materials, 9, 130 (2023). https://doi.org/10.1038/s41524-023-01086-5
2. Jinjin Li, et al. A Data-Driven Platform for Two-dimensional Hybrid Lead-halide Perovskites, ACS Nano, 17(14), 13348–13357 (2023). https://doi.org/10.1021/acsnano.3c01442
嘉义高工全国高中工业类技艺竞赛 奖金及奖品超过1500万
3. Jinjin Li, et al. IonML: A Physically Inspired Machine Learning Platform to Directed Design Superionic Conductors, Energy Storage Materials, 59, 102781 (2023). https://doi.org/10.1016/j.ensm.2023.102781
知否，小秦氏被姐姐害那么惨，为什么还照着大秦氏的样子养女儿
4. Jinjin Li, et al. A deep transfer learning-based protocol accelerates full quantum mechanics calculation of protein, Briefings in Bioinformatics, 24(1), bbac532 (2023). https://doi.org/10.1093/bib/bbac532
5. Jinjin Li, et al. Clustered Tree Regression to Learn Protein Energy Change with Mutated Amino Acid, Briefings in Bioinformatics, 23(6), bbac374 (2022). https://doi.org/10.1093/bib/bbac374
6. Jinjin Li, et al. Machine Learning Accelerates Quantum Mechanics Predictions of Molecular Crystals, Physics Reports, 934, 1-71 (2021). https://doi.org/10.1016/j.physrep.2021.08.002
重生之毒後歸來 小說
排版：劉雅坤
5G 專頻專網審查 數位部曝國產設備占比
由 DeepTech 攜手《麻省理工科技評論》重磅推出的《科技之巔：全球突破性技術創新與未來趨勢（20 週年珍藏版）》已開售！點擊下方海報可購買圖書！！
ST舍得：天洋控股所持公司控股股东股权将被司法拍卖
