Cell Trends綜述精選：人工智能在生物醫(yī)學(xué)領(lǐng)域的應(yīng)用
Cell Press細(xì)胞出版社旗下Trends系列共有16本綜述期刊，致力于讓讀者了解生命科學(xué)、化學(xué)和醫(yī)學(xué)領(lǐng)域的最新進(jìn)展。我們提供簡(jiǎn)潔、引人入勝的文章，由各領(lǐng)域?qū)＜易珜懀婕扒把刂黝}和尖端科學(xué)進(jìn)展。我們的目標(biāo)是為廣大讀者提供不僅僅是簡(jiǎn)單地文獻(xiàn)總結(jié)；而是綜合信息，提出新的想法，挑戰(zhàn)現(xiàn)有的觀點(diǎn)，并對(duì)該領(lǐng)域的發(fā)展方向提供獨(dú)特的觀點(diǎn)和批判性的見解。
本綜述精選重點(diǎn)介紹使用基于人工智能（AI）的方法來解決跨學(xué)科的一系列復(fù)雜問題，以及Trends in Chemistry本月關(guān)于機(jī)器學(xué)習(xí)（machine learning)在分子與材料研究中應(yīng)用的特刊。本精選文章全部開放下載。
在過去的十年里，這一高度跨學(xué)科的領(lǐng)域取得了驚人的進(jìn)展，這歸功于來自生物學(xué)、化學(xué)、數(shù)學(xué)、計(jì)算機(jī)學(xué)以及其他學(xué)科的杰出科學(xué)家。然而，這些不同學(xué)科的結(jié)合對(duì)關(guān)鍵發(fā)現(xiàn)和能力的廣泛傳播提出了挑戰(zhàn)。此跨學(xué)科綜述精選探索基于AI的算法如何運(yùn)用于不同的領(lǐng)域，這些領(lǐng)域是疾病監(jiān)測(cè)、診斷及治療、分子和材料的發(fā)現(xiàn)、合成及優(yōu)化、對(duì)人類及機(jī)器在認(rèn)知和神經(jīng)計(jì)算中的了解、對(duì)大型多層數(shù)據(jù)集（例如基因組學(xué)和植物脅迫表型的數(shù)據(jù)集）的解釋與理解。
*以下部分內(nèi)容譯自英文，僅供參考，請(qǐng)以英文原文為準(zhǔn)。
個(gè)體化和精準(zhǔn)醫(yī)療的使能技術(shù)
在這篇綜述中，來自新加坡國(guó)立大學(xué)的Dean Ho研究團(tuán)隊(duì)將重點(diǎn)介紹發(fā)展使能技術(shù)所取得的關(guān)鍵突破，這些技術(shù)可以推動(dòng)實(shí)現(xiàn)個(gè)體化和精準(zhǔn)醫(yī)療的目標(biāo)；此外還將揭示目前存在的挑戰(zhàn)，這些挑戰(zhàn)一旦解決，可能會(huì)形成前所未有的力量，有利于實(shí)現(xiàn)真正的個(gè)體化護(hù)理。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
機(jī)器學(xué)習(xí)給植物脅迫表型帶來的挑戰(zhàn)與機(jī)遇
在這篇綜述中，美國(guó)愛荷華州立大學(xué)Arti Singh研究團(tuán)隊(duì)提出了一種利用機(jī)器學(xué)習(xí)（ML）技術(shù)的總體策略，該策略支持在不同類型的脅迫、程序目標(biāo)和環(huán)境的多個(gè)尺度上系統(tǒng)地應(yīng)用植物脅迫表型。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
下一代表型篩選在傳染病早期藥物研發(fā)中的運(yùn)用
在這篇綜述中，法國(guó)巴黎巴斯德研究所和韓國(guó)巴斯德研究所的Spencer L. Shorte等研究人員回顧了最先進(jìn)和新興的技術(shù)，這些技術(shù)不僅為從復(fù)雜的表型篩選中利用有效信息提出了新的策略，也為增強(qiáng)轉(zhuǎn)化藥物研發(fā)的強(qiáng)大效用提供了全新的思路。在細(xì)胞、分子和生物信息學(xué)技術(shù)領(lǐng)域所取得的進(jìn)步已遙遙領(lǐng)先，復(fù)雜的表型篩選也許不會(huì)再被認(rèn)為是一種障礙，而會(huì)被當(dāng)作是發(fā)現(xiàn)傳染病化療方法的催化劑。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
黑匣子的開啟：遺傳學(xué)家對(duì)機(jī)器學(xué)習(xí)的闡釋
在這篇綜述中，來自美國(guó)密歇根州立大學(xué)、澳大利亞圣文森特醫(yī)學(xué)研究所的Christina B. Azodi團(tuán)隊(duì)以及來自美國(guó)密歇根州立大學(xué)的Shin-Han Shiu的團(tuán)隊(duì)將討論可解釋機(jī)器學(xué)習(xí) (ML) 的重要性、用于解釋ML模型的不同策略，以及這些策略應(yīng)用于實(shí)踐的例子。最后，將指出可解釋ML在遺傳學(xué)和基因組學(xué)中所面臨的挑戰(zhàn)和未來的發(fā)展方向。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
機(jī)器的興起：癌癥診斷的深度學(xué)習(xí)進(jìn)展
在這篇綜述中，加拿大不列顛哥倫比亞大學(xué)Stephen Yip團(tuán)隊(duì)概述了深度學(xué)習(xí)應(yīng)用于癌癥診斷的當(dāng)前進(jìn)展和最新技術(shù)，并討論了該技術(shù)廣泛應(yīng)用于臨床部署所面臨的挑戰(zhàn)。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
大腦中的分布式強(qiáng)化學(xué)習(xí)
機(jī)器學(xué)習(xí)的最新進(jìn)展揭示了一套生物學(xué)上合理的算法，可以讓哺乳動(dòng)物從經(jīng)驗(yàn)中重建對(duì)獎(jiǎng)賞預(yù)測(cè)的分布。在這篇綜述中，哈佛大學(xué)醫(yī)學(xué)院Jan Drugowitsch及哈佛大學(xué)腦科學(xué)中心Naoshige Uchida團(tuán)隊(duì)合作回顧了這些算法的數(shù)學(xué)基礎(chǔ)以及它們神經(jīng)生物學(xué)實(shí)現(xiàn)的初步證據(jù)。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
人工智能和動(dòng)物的常識(shí)
常識(shí)問題仍然是人工智能發(fā)展的一大障礙。在這篇文章中，來自DeepMind、倫敦帝國(guó)理工學(xué)院、劍橋大學(xué)的Murray Shanahan等研究人員認(rèn)為，人類的常識(shí)是建立在許多其他動(dòng)物所擁有的一系列基本能力之上的，這些能力與理解物體、空間和因果關(guān)系有關(guān)。動(dòng)物認(rèn)知領(lǐng)域的研究可以為深度強(qiáng)化學(xué)習(xí)（RL）的進(jìn)展提供啟發(fā)。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
醫(yī)學(xué)領(lǐng)域中人工智能缺失的部分
醫(yī)療保健系統(tǒng)的利益相關(guān)者都在尋求將人工智能（AI）納入他們的決策過程。在這篇文章中，美國(guó)威爾康奈爾醫(yī)學(xué)院Olivier Elemento團(tuán)隊(duì)對(duì)一些關(guān)鍵因素進(jìn)行了討論，這些因素應(yīng)該被優(yōu)先考慮，以使人工智能在整個(gè)醫(yī)療保健鏈中充分且成功地發(fā)揮其價(jià)值。研究人員特別強(qiáng)調(diào)了對(duì)模型可解釋性的關(guān)注和在人工智能框架內(nèi)整合不同類型數(shù)據(jù)的重要性。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
Trends in Chemistry 特刊：分子和材料的機(jī)器學(xué)習(xí)
這期特刊重點(diǎn)介紹機(jī)器學(xué)習(xí)為新分子和材料的合成、發(fā)現(xiàn)和優(yōu)化循環(huán)系統(tǒng)提供信息、橋梁以及幫助的一些重要方法，如果沒有這些方法，開展和分析這些工作將會(huì)極其困難、耗費(fèi)成本高或人工密集。
Trends in Chemistry
掃碼查看本期特刊
面向機(jī)器學(xué)習(xí)增強(qiáng)的高通量實(shí)驗(yàn)
在這篇綜述中，來自美國(guó)麻省理工學(xué)院的Klavs F. Jensen團(tuán)隊(duì)重點(diǎn)舉例介紹了機(jī)器學(xué)習(xí)（ML）和高通量實(shí)驗(yàn)（HTE）的最新發(fā)展，表明了它們的集成效用。研究人員分析強(qiáng)調(diào)了這兩個(gè)領(lǐng)域的互補(bǔ)性，同時(shí)也揭露了一些可以并且應(yīng)該克服的障礙，以充分利用ML和THE的融合，加速化學(xué)研究的進(jìn)展。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
定義和探索化學(xué)空間
設(shè)計(jì)具有理想性質(zhì)的功能分子是一個(gè)具有挑戰(zhàn)性的多目標(biāo)優(yōu)化問題。在這篇綜述中，來自美國(guó)麻省理工學(xué)院的Connor W. Coley提供了一些定義和探索化學(xué)空間的算法方法的概述。研究人員強(qiáng)調(diào)了機(jī)器學(xué)習(xí)的潛在作用和對(duì)綜合可行性的考慮，并總結(jié)了這些方法未來發(fā)展和評(píng)估的重要方向。
▲長(zhǎng)按識(shí)別二維碼閱讀論文
機(jī)器學(xué)習(xí)系列教程
從隨機(jī)森林開始，一步步理解決策樹、隨機(jī)森林、ROC/AUC、數(shù)據(jù)集、交叉驗(yàn)證的概念和實(shí)踐。
文字能說清的用文字、圖片能展示的用、描述不清的用公式、公式還不清楚的寫個(gè)簡(jiǎn)單代碼，一步步理清各個(gè)環(huán)節(jié)和概念。
再到成熟代碼應(yīng)用、模型調(diào)參、模型比較、模型評(píng)估，學(xué)習(xí)整個(gè)機(jī)器學(xué)習(xí)需要用到的知識(shí)和技能。