神经科学和类脑人工智能发展:未来路径与中国布局——基于业界百位专家调研访谈

21世纪未来三十年,神经科学和类脑人工智能革命性突破将不断涌现,我国神经科学和类脑人工智能面临前所未有的发展机遇和挑战。现通过访谈调研业界专家和征集反馈意见,对2020—2050年我国经济社会发展面临的战略需求、实施相关重大科技研发计划的必要性和可能组织形式、神经科学和类脑人工智能布局和发展步骤以及具体目标进行了系统展望。建议我国神经科学和类脑人工智能未来规划布局可在国家重大科技项目"脑科学与类脑研究"和"人工智能2.0"主题的基础上,细分为3大重点方向(基础神经生物学、神经精神性疾病、类脑人工智能)和2大支撑性领域(变革性神经科学技术、支撑平台)。同时,加强对神经生物医药及生物医学工程产业和人工智能产业的培育和支持,以在全球创新产业链的建立和人类社会新一轮发展中发挥引领作用。     

结合脑科学实现人工智能突破的可能性

正人工智能作为未来信息技术(information technology,IT)产业的战略性和前瞻性新兴产业方向,一直是全球科技界和产业界关注的焦点.尤其是伴随着大数据、云计算等新一代信息技术的快速发展和智能化应用需求的日益凸显,人工智能领域在全球范围内掀起了全新的热潮.最近这几年,美国、欧洲、中国都在积极推进脑科学的研究,包括奥巴马政府启动的"Brain Initiative"[1]和欧洲的"Human Brain Project"[2],中国也在积极酝酿"中国脑计划"[3].这些国家层面的重大项目都试图从脑神经科学的角度开辟人工智能发展的另一条途径.     

人工智能算法与生态环境模型耦合研究进展

人工智能算法在生态环境领域已有广泛应用,但在揭示自然科学现象规律时存在泛化能力不足、可解释性差等问题。为弥补这些不足,实现优势互补,将人工智能算法与具有物理机制的生态环境模型耦合研究已成为近些年快速发展的一种新型研究方法。本文从应用在生态环境领域的人工智能算法出发,概述了其分类和应用情况,重点梳理了人工智能算法与生态环境模型耦合研究的发展、现状及不足,提出了一个将人工智能与机理模型紧密耦合以重构机理过程的思路,分析了该网络部分参数的理论意义,提高可解释性和泛化能力的可行性,以及模拟机理过程运行的应用前景,并展望了人工智能算法与生态环境模型耦合研究的发展趋势。     

人工智能驱动生命科学研究的发展态势

随着技术的不断发展和数据的持续积累,人工智能在生命科学领域发挥越来越重要的作用。目前,人工智能已经应用于分子、细胞、系统和个体等多层面的生命系统研究,为科研人员提供了强大的工具和方法,提高了研究效率和准确性;同时,也为生命健康、动物科学、工业科学和农业科学等领域提供了新的解决方案。本文旨在探讨人工智能驱动生命科学研究的发展态势,重点介绍近年来人工智能在生命科学领域的最新进展,分析其在生命科学研究中面临的机遇和挑战,并提出相关建议。     

前沿信息技术在生物医学大数据中的应用及展望

近年来,随着以高通量组学检测技术为代表的生物技术(biologicaltechnology,BT)的发展,生物医学研究领域开始进入大数据时代。面对高维度、跨层次、多模态生物医学大数据,科学研究需要数据密集型科研新范式。云计算、区块链、人工智能等前沿信息技术(information technology, IT)的蓬勃发展为这种新型研究范式的实践提供了技术手段。本文对云计算、区块链、人工智能等前沿信息技术在生物医学大数据中的应用进行了描述,并对数据密集型科研新范式支撑环境的构建提出了前瞻展望,以期建立融合BTIT技术的新型研究方案和科研新范式,最终推动生物医学研究跨越式发展。     

基于机器学习的药物-靶标相互作用预测*

近年来,随着计算机硬件、软件工具和数据丰度的不断突破,以机器学习为代表的人工智能技术在生物、基础医学和药学等领域的应用不断拓展和融合,极大地推动了这些领域的发展,尤其是药物研发领域的变革。其中,药物-靶标相互作用(drug-target interactions, DTI)的识别是药物研发领域中的重要难题和人工智能技术交叉融合的热门方向,研究人员在DTI预测方面做了大量的工作,构建了许多重要的数据库,开发或拓展了各类机器学习算法和工具软件。对基于机器学习的DTI预测的基本流程进行了介绍,并对利用机器学习预测DTI的研究进行了回顾,同时对不同的机器学习方法运用于DTI预测的优缺点进行了简单总结,以期对开发更加有效的预测算法和DTI预测的发展提供帮助。     

神经科学和类脑人工智能发展:机遇与挑战

脑科学研究不仅是当前国际科技前沿的热点领域,也是理解自然和人类本身的"终极疆域"。在21世纪第二个十年,神经科学和类脑人工智能革命性突破不断涌现,脑研究领域迎来"第二次浪潮"。对神经科学和类脑人工智能的发展趋势、全球主要国家和地区在神经科学和类脑人工智能领域的重大科技突破与战略布局进行梳理,形成我国发展神经科学和类脑人工智能的时代和国际背景;分析我国在该领域面临的机遇和问题,提出充分重视发展神经科学和类脑人工智能技术的必要性和紧迫性、建立强有力的工作机制、工程化设计筹划重大科技项目等建议。     

深度学习在野生动物保护中的应用

野生动物是重要的生物资源之一,但是人类活动的增加和自然环境的恶化严重威胁着野生动物的生存。而深度学习已经成为人工智能领域重点研究方向之一,被广泛应用于各个学科领域,其灵活性使得它在野生动物保护中的图像识别、监测和音频识别等方面展现出了巨大的潜力。本文介绍了几种常见的深度学习算法,综述了不同深度学习模型在野生动物保护中的应用,分析了目前存在的问题及挑战,包括有限的训练数据、环境条件的多变性以及野生动物行为的复杂性等。在未来利用深度学习保护野生动物,除了要解决数据获取和利用、图像的抗干扰等方面的挑战外,还需开发更加稳健和高效的深度学习模型,以满足野生动物保护的特殊需求。     

人工智能大模型医学应用研究

近年来,以自然语言处理和视频图像分析为主的人工智能大模型技术得到快速发展,其基本特征是聚焦相关应用领域的共性需求,通过大数据、强算力和复杂算法的高效协同与深度融合,构建通用预训练模型,广泛适配下游任务,有力提高模型的处理性能与研发效率.因此,大模型技术为医学人工智能高质量发展提供了难得契机.本文通过全面梳理国内外大模型的研究进展、关键技术与核心算法,分析总结生物医学领域一系列标准数据集和预训练模型的发展特点,结合医学人工智能的研发实践,深入剖析医学领域大模型构建的应用需求、解决思路与研发经验,助力推动医学大模型创新发展.     

中国野生动物红外相机监测与研究: 现状及未来

智能传感器、人工智能、信息技术等现代科学技术的创新应用极大地提升了人类在全球生物多样性保护和恢复方面的潜力。结合国内外相关研究案例, 本文的主要内容包括: (1)对过去30年间(1991-2021年)中国野生动物红外相机监测研究相关文献资料进行总结分析; (2)结合国内2011年以来的典型案例, 对技术方法、物种发现与编目、形态与行为研究、生态学研究和保护管理等主题领域的进展进行总结分析; (3)结合国外近期的典型案例, 对红外相机监测与研究的重点领域进行评估分析; (4)对中国野生动物红外相机监测研究的未来发展提出相关建议。通过回顾, 本文旨在明晰国内外红外相机技术在野生动物监测研究中的创新应用和发展趋势, 为中国在该领域的未来发展提供参考依据, 以便更好地服务于中国生物多样性监测与研究网络建设和以国家公园为主体的自然保护地体系建设, 为推进国家生态文明建设、保障生态安全和生物安全提供决策支持和科学依据。     

深度学习在蜜蜂研究中的应用

实现对蜜蜂蜂群的实时动态监测,有助于养蜂业的数字化与智能化发展,对大幅提升养蜂管理水平具有重要意义。深度学习作为人工智能的一种新的研究方向,目前已被广泛应用于昆虫分类学、行为学、害虫生物防治等领域。随着深度学习检测算法的迅速发展,基于深度学习的蜜蜂蜂群监测技术不断涌现,为智能化养蜂提供了可能。为促进深度学习在蜜蜂领域的进一步应用,本文梳理了深度学习在蜜蜂的物种识别、行为跟踪监测、蜂群健康监测和蜂巢监测等方面的研究进展,分析了深度学习技术在蜜蜂蜂群监测研究及应用中存在的一些问题和未来发展方向,为深度学习在蜜蜂领域的应用提出了建议。     

BP神经网络在农产品生产与检测中的应用

人工神经网络是人工智能领域中发展迅速的信息处理技术之一,充分发挥人工神经网络的技术优势,是在农业领域内实现生产劳动自动化的重要途径．本文对BP网络模型及其算法进行了分析研究,从农产品的外观评判、生产预测建模和分类分级鉴定等方面综述了国内外最新研究进展,并展望了今后的应用前景。     

组学时代下机器学习方法在临床决策支持中的应用

随着组学技术的不断发展,对于不同层次和类型的生物数据的获取方法日益成熟。在疾病诊治过程中会产生大量数据,通过机器学习等人工智能方法解析复杂、多维、多尺度的疾病大数据,构建临床决策支持工具,辅助医生寻找快速且有效的疾病诊疗方案是非常必要的。在此过程中,机器学习等人工智能方法的选择显得尤为重要。基于此,本文首先从类型和算法角度对临床决策支持领域中常用的机器学习等方法进行简要综述,分别介绍了支持向量机、逻辑回归、聚类算法、Bagging、随机森林和深度学习,对机器学习等方法在临床决策支持中的应用做了相应总结和分类,并对它们的优势和不足分别进行讨论和阐述,为临床决策支持中机器学习等人工智能方法的选择提供有效参考。     

以PD-1 为靶点的抗肿瘤药物专利现状分析

PD-1(程序性死亡受体1)是一种重要的免疫抑制分子,其与癌症的治疗密切相关。目前FDA(美国食品药品监督管理局)已经批准了PD-1抑制剂抗体作为癌症治疗药,因此,PD-1具有极高的研究和应用价值。目前在专利领域,全球各大药企均已经开始专利布局,而在中国申请的专利也是日趋增多,对于我国企业来说,把握时机提前布局专利申请,有利于识别竞争对手,抢占市场。本文通过分析以PD-1为靶点的药物专利现状,特别是研究的重点领域,专利申请的国内重点布局等方面,为国内的申请人未来的研发方向和专利布局提供适当的指引。     

人工智能色谱过程自动控制的现状与未来

人工智能技术发展日趋成熟。其中的专家系统已经在诸如石油矿产预测、质谱数据解释、医疗诊断等科技领域得到成功的应用,并正向生命科学研究各领域渗透。色谱分离纯化技术是生物技术下游处理的重要手段之一。它的工艺流程设计、合成与优化对于减少分离步骤、加强操作自动化,节省人力,提高产品产量和质量,降低成本至关重要。人工智能技术在这方面所起的作用如何?它的发展现状和未来趋势怎样?下文拟就这些问题作一概要介绍。     

工业生态学研究现状与展望

工业生态学是一门新兴交叉学科,自诞生10多年来,其理论研究与实践活动已经取得了长足的进展。首先介绍了工业生态学的缘起,综述了目前国外工业生态学在原料与能量流动(工业代谢)、物质减量化、技术变革和环境、生命周期规划设计与评价、为环境设计、延伸生产者的责任、生态工业园(工业共生系统)、产品导向的环境策略、生态效益等主要领域的研究进展;分析了我国工业生态学的研究现状,并结合国际发展趋势提出了我国工业生态学未来的研究框架和主要研究领域     

基因结构变异检测方法综述

在人类基因组中结构变异(SVs),拷贝数变化(CNVs),单核苷酸多态性(SNP)是非常普遍的,而且和人类健康与疾病密切相关,因此检测这些结构变异对于人类生命健康非常重要。基于第二代基因测序平台,目前已经有很多结构变异检测算法,这些算法主要分为五大类:微阵列方法、读对方法、读深方法、分裂读取方法、序列组装方法。本文系统地阐述了这五类方法的基本原理、优缺点以及使用范围,并简要介绍了每一种方法的经典检测算法及应用范围、检测性能等,并对未来检测算法的研究提出了展望。     

GIS和遥感技术在生态安全评价与生物多样性保护中的应用

综合近年来国内外生态安全评价和生物多样性保护领域的研究成果:简要总结了地理信息系统(GIS)和遥感(RS)技术在生态学热点领域的应用研究现状和特点;归纳论述了GIS和RS在生态安全评价和生物多样性保护研究中存在的不足;在此基础上,尝试性地提出了可扩展的集成研究框架——"生产线"框架;最后探讨了GIS和RS技术与生态学集成研究的未来发展趋势。     

基于CiteSpace的水足迹文献计量分析

以WEB OF SCIENCE数据库和中国知网学术期刊网络出版总库中1993—2016年期刊论文作为数据源,以"water footprint(水足迹)"OR(或)"virtual water(虚拟水)"为关键词进行文献检索,利用CiteSpace可视化文献分析工具,对检索出的文献分别进行关键词、作者、发文机构和载文期刊分析,并绘制出相关知识图谱,以此来探讨水足迹研究领域的发展现状以及未来的相关研究热点。结果表明:(1)水足迹领域相关研究文献数量不断增长,水足迹越来越受到中外学者的关注;(2)国外水足迹研究主要围绕虚拟水和水足迹展开,且对于水权问题的关注度较高,国内水足迹研究主要着眼于虚拟水贸易和虚拟水消费,应用型研究成为水足迹研究的热点,未来水足迹研究热点可能会围绕"水-粮食-能源"三者的耦合展开,对于水足迹与社会经济问题相结合的研究力度会逐渐增大;(3)水足迹领域中外文文献的发文作者都集中于少数研究人员,主要发文作者的研究奠定了水足迹研究的基础;(4)主要的发文机构有Univ Twente、中国科学院等,主要的载文期刊有ECOL ECON、HYDROL EARTH SYST SC、WATER RESOUR MANAG以及《资源科学》《中国人口·资源与环境》《生态学报》等。根据水足迹研究现状,给出了关于水足迹领域未来发展的建议。     

机器学习在肠道菌群宿主表型预测中的应用

随着第二代DNA测序技术的发展,研究人员积累了大量的肠道菌群数据,研究表明肠道菌群与宿主健康状况存在密切联系,因此如何对复杂、高维的肠道菌群数据进行建模分析,是当前生物信息学研究中的重要挑战。人工智能的兴起为处理肠道菌群数据,揭示肠道菌群与宿主表型之间的复杂关系提供了可能。综述了现阶段肠道菌群与宿主表型之间的相关研究,重点介绍了常用的5种机器学习算法（线性回归、支持向量机、K-近邻、随机森林、人工神经网络）的理论原理及在相关研究中的应用,对预测宿主表型的机器学习算法选择提出了建议,并对该领域的未来发展进行了展望,以期为利用机器学习对肠道菌群宿主表型预测提供参考依据。