期刊閱讀
人工智能（AI）解析新冠病毒變異株的流行潛力和宿主嗜性遷移過程
解放軍等多團隊合作建立 ARNLE 模型，研究發(fā)現(xiàn)新冠病毒流行中對人類宿主嗜性變化，早期嗜性低，Alpha 株后上升，識別關(guān)鍵變異位點，該模型有助于預(yù)測變異株，強調(diào)早期遏制病毒的重要性。
Nat Mach Intell：細胞也能“面部識別”？AI實現(xiàn)納米級精度掃描細胞異質(zhì)性并識別癌細胞和病毒感染細胞
為了解決識別不同細胞狀態(tài)的挑戰(zhàn)，研究團隊開發(fā)了一種深度學習方法——AINU（AI of the nucleus），可以在納米級分辨率下識別特定的核特征。
Nat Mach Intell：清華大學自動化系閭海榮等發(fā)表精準病理診斷AI基礎(chǔ)模型，可實現(xiàn)對膠質(zhì)瘤多種分類任務(wù)的準確診斷
提出了一種基于大區(qū)域興趣和金字塔Transformer的精準病理診斷AI基礎(chǔ)模型ROAM，用于膠質(zhì)瘤的臨床級診斷和分子標志物發(fā)現(xiàn)，并可拓展到其他類型腫瘤的病理診斷。
Nat Mach Intell：哈佛醫(yī)學院團隊開發(fā)癌癥影像生物標志物的基礎(chǔ)模型
該基礎(chǔ)模型有助于更好、更高效地學習影像生物標志物，并產(chǎn)生了特定任務(wù)的模型，在下游任務(wù)上顯著優(yōu)于傳統(tǒng)的監(jiān)督和其他預(yù)訓(xùn)練模型，尤其是在訓(xùn)練數(shù)據(jù)集規(guī)模非常有限的情況下。
Nature Machine Intelligence：近似語義蘊含的蛋白質(zhì)功能預(yù)測
該研究表明，與最先進的方法相比，該方法有效地利用了基因本體（GO）的背景知識，并改善了蛋白質(zhì)功能預(yù)測。
【佳作推薦】 百度科研團隊NMI期刊論文：一種使用蛋白質(zhì)語言模型進行結(jié)構(gòu)預(yù)測的新方法
作者提出了一種無需MSA搜索的蛋白質(zhì)結(jié)構(gòu)預(yù)測方法——HelixFold-Single。
【佳作推薦】佛羅里達國際大學Narasimhan小組NMI論文：使用Transformer網(wǎng)絡(luò)評估蛋白結(jié)合界面
佛羅里達國際大學Narasimh小組對MaSIF工程架構(gòu)加以改進，提出了一個深度學習模型，即蛋白界面打分Transformer模型，用于準確高效地評估蛋白-蛋白對接。
英國謝菲爾德大學呂海平小組NMI論文：基于雙線性注意力網(wǎng)絡(luò)預(yù)測藥物-靶標相互作用
本項工作提出一種名為DrugBAN的新型深度學習算法，用于預(yù)測藥物-靶標相互作用。
Nature子刊：湖南大學彭紹亮團隊在基于多模態(tài)網(wǎng)絡(luò)表征學習的藥物發(fā)現(xiàn)方法研究取得重要進展
該研究探索發(fā)現(xiàn)了基于生物網(wǎng)絡(luò)的多模態(tài)網(wǎng)絡(luò)表征學習技術(shù)，為缺乏生物或臨床標注數(shù)據(jù)的藥物發(fā)現(xiàn)提供了新的研究思路。
Nature Machine Intelligence：同濟大學劉琦團隊開發(fā)基于元學習的AI模型，用于抗原-TCR親和力識別及腫瘤新生抗原免疫原性預(yù)測
MHC-多肽復(fù)合物與TCR親和力的計算識別（pMHC-TCR binding recognition）是揭示腫瘤、自身免疫性疾病和病毒感染性疾病等疾病發(fā)生發(fā)展機制的重要手段。
Nature子刊：多用途深度學習方法sciPENN，可預(yù)測、插補scRNA-seq、CITE-seq蛋白質(zhì)表達
綜上所述，研究團隊開發(fā)了sciPENN深度學習模型，可以預(yù)測和估算蛋白質(zhì)表達，集成多個CITE-seq數(shù)據(jù)集，量化預(yù)測和估算不確定性。
Nature子刊：多用途深度學習方法sciPENN，可預(yù)測、插補scRNA-seq、CITE-seq蛋白質(zhì)表達
研究團隊開發(fā)了sciPENN深度學習模型，可以預(yù)測和估算蛋白質(zhì)表達，集成多個CITE-seq數(shù)據(jù)集，量化預(yù)測和估算不確定性。
Nature Machine Intelligence：陸路團隊合作開發(fā)基于人工智能技術(shù)的抗體研究模型
如何快速、精準預(yù)測未知抗體的中和能力及其作用靶點，在傳統(tǒng)的抗體藥物研發(fā)領(lǐng)域中仍需進一步突破的關(guān)鍵科學問題。
Nat Mach Intell：人工智能（AI）準確預(yù)測人類對新藥的反應(yīng)，未來替代動物實驗？
名為CODE-AE的新模型可以篩選新型類藥化合物，準確預(yù)測對人體的療效。在測試中，它還能夠在理論上為超過9000名患者確定能夠更好地治療他們病情的個性化藥物。科學家們預(yù)計該技術(shù)將大大加速藥物發(fā)現(xiàn)和精準
Nat Mach Intel：斯坦福李飛飛團隊認為數(shù)據(jù)設(shè)計和數(shù)據(jù)質(zhì)量是可信AI的關(guān)鍵
在以模型為中心的AI開發(fā)中，數(shù)據(jù)集通常是固定的和給定的，重點是迭代模型結(jié)構(gòu)或訓(xùn)練程序以提高性能。這推動了建模方面的大量研究進展，而現(xiàn)在在許多任務(wù)中，改進模型的增量收益正在減少。
Nat Mach Intell：人工智能（AI）在新冠檢測中幾乎全體失靈了？294款A(yù)I工具不適用于臨床
自新冠疫情爆發(fā)以來，世界各地的研究團隊開發(fā)了各種人工智能（AI）工具來幫助檢測新冠病毒或者對新冠病毒的感染情況進行預(yù)測。但是很不幸，來自荷蘭馬斯特里赫特大學和英國劍橋大學的兩個研究團隊分別獨立對數(shù)百種
