“看人工智能怎么玩转科研”

本篇文章1886字，读完约5分钟

▲深度学习可以知道化学合成的秘密

人工智能工具发现了数千个与自闭症相关的基因

图片来源:《科学》杂志网站

今天的观点

人工智能( ai )可以说是当今科学界最大的“网红”。 从沃森机器人到白血病诊断不到10分钟，到“阿尔法狗”将打败世界排名第一的围棋选手。 从战场到太空，随处可见其身影。 美国《科学》杂志最近的报道指出，人工智能也渗透到科学研究行业，用各种方法进行科学研究。

寻找新粒子的痕迹

20世纪80年代末，粒子物理学者开始“摆弄”人工智能。 当然，他们的行业适合人工智能和机器学习算法“大展拳足”。 在大多数实验中，需要从粒子探测器获取的大量类似数据中找到微小的空之间的模式。 这就是人工智能的优势。 在无数科学家的努力下，人工智能“进入”物理学研究的必要工具之中。

粒子物理学家试图使具有巨大能量的亚原子粒子相互碰撞，释放出独特的新物质粒子，从而理解宇宙的内在运行逻辑。 例如，科学家们使用大型强子对撞机( lhc )发现了希格斯玻色子。 这个粒子可以解释所有其他基本粒子是如何获得质量的。

但是，这些特异粒子并不是有标签的。 在lhc中，约10亿次的碰撞中只出现了一个希格斯玻色子。 然后，以10亿分之一皮秒( 1皮秒=1兆分之一秒)衰减为光子对和μ介子等其他粒子。 而且，碰撞中产生很多不相关的粒子，“再现”希格斯玻色子变得越来越困难。

费米国家实验室物理学家普西帕·拉萨巴特介绍说，神经互联网等算法的特点是从背景中筛选信号。 在粒子探测器中，光子一般在电磁能量器中产生粒子束，电子和强子也是如此，但它们的束流与光子略有不同。 机器学习算法可以通过发现描述波束流的多个变量之间的关联性来区分它们。 这种算法还可以区分希格斯玻色子衰变产生的光子对和随机光子对。

当然，现在物理学家仍然依赖对基础物理的理解来发现新粒子和现象的“蛛丝马迹”，但劳伦斯伯克利国家研究所的计算机专家保罗·卡拉·费拉说，人工智能的重要性与日俱增。 到2024年，研究人员将升级lhc，使冲突率增加10倍。 届时，机器学习将在应对数据流方面发挥重要的意义。

探索自闭症的基因根源

对于遗传学家来说，自闭症是一个棘手的课题。 遗传法则表明它有很强的遗传因素。 但是，众所周知，自闭症中活动的基因变异体只能解释约20%，要寻找可能引起自闭症的其他变异体，需要从2.5万其他人类基因和周围dna的相关数据中寻找线索。 对研究者来说，这是一个很大的挑战。 于是，普林斯顿大学的计算生物学家奥尔加特罗·扬斯卡娅与纽约西蒙斯基金会合作，希望得到来自人工智能的支持。

特罗扬斯卡娅结合了数百个数据集，与这些基因在特定的人类细胞中活跃、蛋白质如何相互作用、转录因子结合位点以及其他重要的基因组特征在哪里等有关。 随后，她的团队利用机器学习构建基因相互作用的图像，将被确认的自闭症风险基因与数千个自闭症相关的未知基因进行比对，希望找到相似性。 该研究标记了其他2500个可能与自闭症相关的基因，相关成果于去年发表在《自然神经科学》杂志上。

但是，正如遗传学家最近注意到的那样，基因不是“单打”。 其行为受到附近数百万个未编码碱基的影响。 这些未编码的碱基与dna结合蛋白和其他因子相互作用。 确认未编码的变异体可能影响附近的自闭症基因是一个更棘手的问题。 特罗扬斯卡娅的研究生周健(音译)正在利用人工智能处理这个难题。

识破化学合成的秘密

德国明斯特大学的麦金太尔和其他人正在把人工智能引入他们的“分子厨房”。 他们希望人工智能能够应对分子制造过程中的重要课题之一。 也就是说，从数百个潜在的基本模块和数千种组合方法中寻找最佳方法。

于是，泽格勒和导师马克·沃尔勒博士和计算机学家迈克·普锐斯博士要求人工智能。 他们没有编程化学反应规则，而是设计了一个深入的神经互联网程序来自学化学反应如何进行。 随着时间的推移，这个互联网学习了如何预测合成过程中某一特定步骤的最佳反应，最终提出了从一开始就合成分子的“配方”。

这三位科学家用40种不同的靶分子测试了程序，并与以前流传的分子设计程序进行了比较。 在两个小时内，用以前流传的方法提出22.5%分子合成方案的人工智能完成了95%。 泽勒计划去伦敦的制药公司，希望改善药物的生产过程。

美国斯坦福大学有机化学家保罗·文德博士认为，目前评价齐格勒的做法是否有效还为时过早，但这种做法“有可能产生深远的影响”。

泽勒表示，人工智能就像化学行业的gps导航系统，善于寻找路径，但无法自己设计实现完美的合成过程，无法代替有机化学家。

(科技日报北京7月12日电)

来源：人民视窗网