UIUC罗宇男：AI-assisted Scientific Discovery

如果你不到现场，你仍然可以阅读最干燥的商品的学术报告！

大家好。这是一个学术报告专栏。核心阅读编辑会不时地选择并亲自主持会议。他将向每个人提供科学技术领域最好的学术报告，为学生录制枯燥的报告，并尽最大努力获得第一手PPT和现场视频——足够枯燥和新鲜！我希望这些杰出的青年学者和专家解庆之的学术报告能使你在业余时间阅读的知识更有价值。

如今有如此多的人工智能论坛，以至于在一百个讲座中只有一个是关于硬货和干货的。自2019年1月19日人工智能未来标准青年学术论坛启动以来，该论坛已连续举办了12届，吸引了数万人报名。招生群体覆盖全国30多个省份，13个国内外国家，400多所大学和研究机构。2020年1月5日下午，第12届人工智能未来对话青年学术论坛(百度奖学金博士生特别会议)在北京百度科技园K6报告厅举行。UIUC罗玉南博士为您带来了“人工智能辅助跨学科研究的科学发现”的报告。

罗玉南是伊利诺伊大学香槟分校计算机科学系的博士生，由彭剑教授执教。研究兴趣主要涉及人工智能在计算生物学和其他跨学科领域的应用。

报告内容:罗博士的团队结合了人工智能和跨学科的研究工作。它主要包括三个方面:人工智能与新药开发、人工智能与生物技术、人工智能与智能农业。

人工智能辅助跨学科研究中的科学发现

药品价格昂贵，部分原因是药品研发是一个高成本、长周期、低成功率的过程。近年来，有一种新的药物研发策略，称为旧药物的新用途，即探索市场上的药物是否有新的适用疾病。旧药物的新用途通常需要长期反复尝试，或者只能偶然发现。罗博士的团队希望利用现有的大量生物数据和人工智能技术，找到越来越多旧药物新用途的有效例子。在现有数据的基础上，该团队挖掘了大规模的医学和生物学关系，构建了药物和蛋白质、药物和所治疗疾病、药物和副作用之间的关系网络。基于该网络，设计了一种机器学习模型，该模型结合了网络降维和降噪算法以及矩阵填充技术来预测药物和蛋白质之间的相互作用，达到了较高的预测精度。该团队进一步使用所有可用的数据来训练模型并做出预测。在模型中药物-蛋白质相互作用的前100个预测结果中，约80%的预测可以在近年来的科研文献中得到验证。对于文献中尚未证实的其余20%的药物-蛋白质相互作用预测，该团队进一步与药理学家合作进行了生物学实验，并证实了模型预测的多种药物-蛋白质相互作用关系的存在。例如，一种药物最初在市场上销售用于治疗高血压，该模型预测它也可以用作抗炎的靶蛋白，这也已经被生物学实验证实。

2018年诺贝尔奖授予了一种叫做蛋白质定向进化的生物技术。这项技术的目的是增强现有蛋白质的某些功能或特性，类似于自然界适者生存的过程。这项技术将新的突变随机引入到自然界中已经存在的蛋白质中，通过每一轮的迭代，它被消除和筛选，最终进化出一些我们想要的功能性蛋白质，例如具有更高活性的酶和催化剂。这本身就是一项非常好的技术，但是每次迭代都需要随机引入大量新的突变，这带来了大量的实验工作。人工智能能用来推荐突变来指导生物学实验并使实验过程更有效吗？

罗博士的团队设计了一套人工智能辅助实验框架。在实验的每次迭代中，人工智能模型被用来预测蛋白质序列中的哪些位置被突变成哪些氨基酸，这可以以更大的概率改善蛋白质的性质。然后生物学家根据这一预测进行了实验，并将其反馈给人工智能框架。重复迭代，从而大大减少了实验的工作量。在具体应用中，该模型还考虑了生物属性，例如通过使用现有的天然蛋白质序列来训练无监督的语言模型，从而推断出哪些突变是高概率有害的，哪些突变在自然界中不太可能存在；另一个例子是根据蛋白质序列比对中的协同进化规则，利用概率图模型推断蛋白质序列中的高阶约束关系，从而预测突变对蛋白质结构稳定性和功能完整性的影响。该模型还可用于探索和提高催化剂和酶的活性，有助于寻找活性更高的酶和催化剂。

卫星数据通常用于智能农业，但现有的卫星图像数据不能兼顾分辨率和及时性，高分辨率卫星的轨道速度较慢，而快速轨道卫星的分辨率较低。为了帮助实时监控农田，罗博士的团队开发了一种卫星数据融合算法，该算法融合了不同分辨率和不同拍摄频率的数据，生成一组每天都可以看到的高清图片。基于这些卫星图像数据，该团队还开发了一系列人工智能模型，例如使用计算机视觉模型预测今年的农田面积、用水量和收成。该团队还设计了一个在线互动平台，供农业员工实时监控。

罗博士说，他非常重视交叉学科的研究，还将计算机技术和人工智能技术应用于健康、生物、化学和农业等不同的交叉学科，从而解决了一些重要的科学问题。今后，我还希望研究更多这样的科研问题，使计算机科学不仅能在自己的学科中发展，而且能走出去解决民生等问题。

人工智能未来谈话*青年学术论坛

数据挖掘的第一阶段

1.李国杰院士:对人工智能“头鹅”功能的理性认识

2.百度熊辉教授:大数据智能人才管理

3.清华和唐杰教授:网络表征学习的理论与应用

4.芮来博士刘彘强:个性化推荐时代的深入研究

5.清华大学柴博士:基于人机合作的数据管理

第二届自然语言处理特别会议

1.中国科学院张佳俊:自然语言生成的同步双向推理模型

2.北邮李雷:自动文摘的分析与探讨

3.百度孙克:对话技术的产业应用和问题

4.阿里·谭奇伟:基于序列对序列模型和淘宝实践的文本摘要

5.哈尔滨工业大学的刘一佳:通过句法分析看上下文相关的词向量

计算机视觉的第三阶段

1.北京大学彭宇新:跨媒体智能分析与应用

2.清华陆继文:精读和视觉内容理解

3.百度李:百度增强现实技术及应对

4.中国科学院张世锋:基于深度学习的通用目标检测算法的比较探索

5.中国李鸿昌:物体探测的最新进展

关于语音技术的第四届特别会议

1.中国科学院陶建华:语音技术的现状与未来

2.清华大学吴季:音频信号深度学习处理方法

3.小米王宇君:萧艾背后的小米语音技术

4.百度康永国:人工智能时代的百度语音技术

5.中国科学院刘斌:基于联合对抗增强训练的鲁棒端到端语音识别

量子计算第五届特别会议

1.清华大学翟辉:用机器学习发现量子机制

2.中国南方科技大学卢大伟:量子计算与人工智能的碰撞

3.荷兰国家数学和计算机科学中心(CWI)李一男:大数据时代的量子计算

4.杨玉祥苏黎士联邦理工学院:量子精密测量

5.百度段润瑶:量子架构——机遇与挑战

第六届机器学习特别会议

1.中国科学院张文胜:医疗保健大数据时代的认知计算

2.中国科学院庄富珍:基于知识共享的机器学习算法研究与应用

3.百度胡晓光:桨的核心技术及应用

4.清华大学的王

南京大学赵申义分校

第七阶段自动驾驶仪

1.基于数据流处理的SLAM技术

2.清华大学邓志东:自动驾驶仪的“感觉”与“知识”——挑战与机遇

3.百度诸樊:开放时代的自动驾驶仪——百度阿波罗计划

4.宋蓓莉文杰:时间空域智能车辆未知区域自主导航技术

第八次深入学习会议

1.中国科学院文心:深度学习的基础与学习资源

2.中国科学院陈至:计算机视觉经典——深度学习和目标检测

3.中国科学院傅鹏:深度学习与机器阅读

第九期个性化内容推荐

1.赵鑫，人民大学:基于知识和推理的序列化推荐技术研究

2.中国科学院赵军:知识图谱关键技术及其在推荐系统中的应用

第十届视频理解与推荐专场

1.北京大学袁:智能数据的可视化分析

第十一届信息检索与知识图谱特别会议

1.人民大学徐军:智能搜索排名——突破概率排名标准

2.北京邮电大学邵:知识地图的高效嵌入方法

3.百度宋迅超:百度大规模知识映射与智能应用

4.百度周靖波:兴趣点知识地图的构建与应用

5.百度冯樊植:基于知识映射的多模态认知技术及智能应用

评论、表扬和关注

让我们分享人工智能学习和发展的干货。

如果重印，请在后台留言并遵守重印规则。

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/3092.html。