医学生物信息学在心血管研究领域的应用--数据与知识

随着生物技术的进步,特别是以基因组、蛋白质组为标志的导致高通量实验数据产生的工作的开展,大量的实验数据在各个领域堆积拥塞,与领域内的知识的累计出现了极为不平衡的发展,因此,对这些数据的处理成为了学科发展的迫切需求。为了避免这些数据成为垃圾,数据库、统计学、信号处理、数据挖掘、知识管理、人工智能等多种技术被运用到医学生物学领域,使得医学生物信息学不再是医学、生物学和信息学、计算机科学的单纯交叉,而独立成为一门专业的学科,重点也由原来单纯的研究计算机信息技术在医学生物信息学中的延展和运用,转变到研究、发现、开发、创新适合医学生物学自身特点的新思想和新方法上来。本文对近年来心血管领域内医学生物信息发展和运用的情况进行了回顾和分析,并对该领域可能的发展方向做出判断。     

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。     

干细胞与再生医学技术发展态势研究

20世纪以来,干细胞与再生医学技术一直是国际生物医学领域的热点前沿之一,它为保障人类生命健康、改善人类生存质量和延长人类寿命发挥不可替代的巨大作用。因此,美国、欧洲国家、日本和中国等科技大国均将该领域纳入了国家科研与产业发展的重点战略中,并通过专项扶持、政策补贴、立法保障等方式激励该领域的创新发展。通过对近年来国际科技战略和科技研发态势的梳理分析,发现该领域的国际战略布局规律,揭示我国在该领域的领先优势与弱点,为我国未来干细胞与再生医学技术发展提出相关参考建议。     

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。     

2022年再生医学领域发展态势

再生医学领域经过多年的发展,在多种疾病治疗中展现出巨大应用潜力。近年来,大数据、学科融合等研究理念的不断渗透,以及一系列通用技术在再生医学领域的广泛应用,推动再生医学研究广度和深度持续拓展,领域范畴也不断拓宽,为该领域带来了全新的发展机遇。本文从科技规划、监管政策、科技及产业进展等角度,对再生医学热点领域2022年的发展趋势进行了分析,并对相关领域未来的发展进行了展望。     

中山大学孙逸仙纪念医院招聘启事

正一.招聘学科医学、生命科学及相关传统或交叉学科。重点招聘方向:1.肿瘤生物学(偏重肿瘤微环境);2.代谢免疫与炎症(代谢性疾病免疫、感染免疫、血管炎症相关疾病);3.脑科学与类脑科学(含脑机接口);4.医学大数据、生物信息与人工智能;5.新药创制(小分子、抗体和RNA等)与药物递送研发;6.干细胞与体细胞治疗;7.医工结合相关领域(医疗设备研发、生物医学材料、3D打印等)。二.招聘岗位及要求岗位基本条件:坚持正确的政治方向,拥护中国共产党的领导,     

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。     

环境微生物研究中机器学习算法及应用

微生物在环境中无处不在，它们不仅是生物地球化学循环和环境演化的关键参与者，也在环境监测、生态治理和保护中发挥着重要作用。随着高通量技术的发展，大量微生物数据产生，运用机器学习对环境微生物大数据进行建模和分析，在微生物标志物识别、污染物预测和环境质量预测等领域的科学研究和社会应用方面均具有重要意义。机器学习可分为监督学习和无监督学习2大类。在微生物组学研究当中，无监督学习通过聚类、降维等方法高效地学习输入数据的特征，进而对微生物数据进行整合和归类。监督学习运用有特征和标记的微生物数据集训练模型，在面对只有特征没有标记的数据时可以判断出标记，从而实现对新数据的分类、识别和预测。然而，复杂的机器学习算法通常以牺牲可解释性为代价来重点关注模型预测的准确性。机器学习模型通常可以看作预测特定结果的“黑匣子”，即对模型如何得出预测所知甚少。为了将机器学习更多地运用于微生物组学研究、提高我们提取有价值的微生物信息的能力，深入了解机器学习算法、提高模型的可解释性尤为重要。本文主要介绍在环境微生物领域常用的机器学习算法和基于微生物组数据的机器学习模型的构建步骤，包括特征选择、算法选择、模型构建和评估等，并对各种机器学习模型在环境微生物领域的应用进行综述，深入探究微生物组与周围环境之间的关联，探讨提高模型可解释性的方法，并为未来环境监测、环境健康预测提供科学参考。     

基于Snake模型的医学图像分割

基于Snake模型的图像分割技术是近年来图像处理领域的研究热点之一。Snake模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中。本文对各种基于Snake模型的改进算法和进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake模型的医学图像分割方法的脉络和发展方向。     

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。     

基于植保大数据的病虫害移动智能采集新设备

为提高农作物重大病虫害发生信息自动化、智能化采集能力,全面提升监测预警水平,笔者基于大数据、人工智能和深度学习技术,研发了一款农作物病虫害移动智能采集设备——智宝,主要实现了3个方面的功能:一是病虫害发生信息自动采集上报.通过该产品进行人工拍照,可实现对田间农作物重大病虫害发生图像、发生位置、发生数量、微环境因子等数据的实时采集和上报.二是自动识别计数.基于植保大数据与人工智能技术,通过构建病虫害自动识别系统,可实现重大病虫害精准识别与分析,只要拍摄照片,即可快速、精确地识别病虫害种类,并自动计数、上报到指定的测报系统.三是自动分析判别分级.针对拍摄采集上报的重大病虫害发生信息,系统可在自动识别和计数的基础上,进一步对病虫害发生严重程度进行智能判别分级,甚至根据相关预测模型,对病虫害的发生趋势进行辅助分析预测,提出预测建议.通过2016—2019年组织多地植保机构进行试验改进,该技术产品日趋成熟,有望在未来的农作物病虫害发生信息采集和预测预报工作中推广使用.     

综合医院大数据应用需求调查与分析

目的 分析综合医院对于大数据应用的内在需求,为医院的大数据研发与应用提供导向和依据。方法 采用德尔菲法自制医院大数据应用需求调查问卷,随机抽取中国研究型医院学会医疗分会64家会员单位进行调查,获得有效问卷104份,有效回收率为94.55%。结果 精准医疗（4.31±0.42）分,精益管理（4.23±0.56）分,科学研究（4.19±0.52）分,健康管理（4.16±0.52）分,数字医疗（4.06±0.60）分,教育培训（3.69±0.69）分。不同性别、年龄、职称、岗位组间的需求差异有统计学意义（P＜0.05）。多元线性回归分析结果显示,医学人工智能（b=0.324,P=0.000）和互联网+医疗（b=0.161,P=0.047）的需求程度会对医院大数据应用前景态度产生显著的正向影响关系。结论 综合性医院对大数据具有较强的、多样化的应用需求,应以实际需求为导向,重点推进精准医疗、医学人工智能和互联网+医疗等相关应用的研发。     

信息科学在生理学及医学领域的应用及意义

2021年美国科学家戴维·朱利叶斯(David Julius)和阿登·帕塔普蒂安(Ardem Patapoutian)因“发现温度和触觉感受器”而获得诺贝尔生理学或医学奖，该发现为信息科学(information science)在生理学及医学中的应用指引了新方向。信息科学是研究信息运动规律和应用方法的科学，其中计算机大数据、数学建模模型具有来源多样、数据量增长快和高频等特征，为生理学和医学研究提供了新的分析视野。本文梳理了生理学及医学领域数据信息的提取步骤，比较了传统机器学习、深度学习、推荐系统和传统统计学方法的实现原理和技术特点，探讨了未来的信息科学和生理学及医学相结合的研究方向，以揭示信息科学在生理学及医学中应用的基本方法和原理及其对科学发展的意义。     

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。     

对类脑智能研究的几点看法

正人工神经网络的研究在经历了"感知机"(perceptron)、"Hopfield模型"、"Back Propagation(BP)算法"等几轮大浪潮之后,近年深度学习算法(deep learning)开始进入实用阶段,例如,在语音识别、图像识别、大数据分析等领域已经获得较大成功,显露出了人工智能巨大的商业价值和未来发展的无穷潜力,因此也已经成为各国竞相投入的热门研究领域.人工智能的研究成果对于人类未来的影响不言而喻,但现实还没有想象得那么乐观,毕竟目前的人     

大数据在生态环境领域的应用进展与展望

随着互联网和移动通讯技术的发展,生态环境领域从信息采集到加工处理也进入信息化和数字化时代,数据量呈现爆发式增长,生态环境大数据受到越来越多的关注.生态环境大数据是在对生态环境要素“空天地一体化”连续观测的基础上,集成海量的多源多尺度信息,借助云计算、人工智能及模型模拟等大数据分析技术,实现生态环境大数据的集成分析和信息挖掘.生态环境大数据存在数据来源多样、涉及部门广;数据采集方式不统一;服务对象众多、对专业化服务要求高等特点.大数据已在生态环境领域得到了初步应用,如在全球气候变化预测、生态网络观测与模拟和区域大气污染治理等方面作用明显.目前我国生态环境大数据的发展还存在诸多问题,包括数据共享难、监测技术落后、传感器等监测设备严重依赖进口、数据集成和深度分析能力不足等.随着大数据技术的进步,未来大数据在解决生态环境健康问题、提高重大生态环境风险预警预报水平、提高生态环境领域科学研究水平等方面都将发挥巨大作用.大数据将最终实现生态环境管理决策定量化、精细化,生态环境信息服务多样化、专业化和智能化,为中国社会经济可持续发展和生态文明建设提供技术保障.     

深度学习在药物活性预测研究中的应用

药物从研发到临床应用需要耗费较长的时间，研发期间的投入成本可高达十几亿元。而随着医药研发与人工智能的结合以及生物信息学的飞速发展，药物活性相关数据急剧增加，传统的实验手段进行药物活性预测已经难以满足药物研发的需求。借助算法来辅助药物研发，解决药物研发中的各种问题能够大大推动药物研发进程。传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度。深度学习由于具有多层神经网络，模型可以接收高维的输入变量且不需要人工限定数据输入特征，可以拟合较为复杂的函数模型，应用于药物研发可以进一步提高各个环节的效率。在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络（deep neural networks，DNN）、循环神经网络（recurrent neural networks，RNN）和自编码器（auto encoder，AE），而生成对抗网络（generative adversarial networks，GAN）由于其生成数据的能力常常被用来和其他模型结合进行数据增强。近年来深度学习在药物分子活性预测方面的研究和应用综述表明，深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法。因此，深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型。     

比较医学动物实验计算机辅助设计系统的研发

目的开发一款辅助研究者设计比较医学动物实验方案和学习实验设计的应用软件。方法根据实验动物应用的"科学、伦理、经济"原则筛选比较医学动物实验技术资料,运用关系数据库架构原理分析和组织入选数据,通过解析比较医学动物实验规律和特点设计程序框架和模块,采用C++语言、MFC库进行面向用户的程序设计。结果建立了程序相关资源库和模型选择、实验动物、环境条件、实验步骤、方案输出5个功能模块,并完成整个软件测试。结论研发成功比较医学动物实验计算机辅助设计系统,该系统能够基于微型计算机为用户提供有效、易用的动物实验辅助设计和自助学习功能。     

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。     

医学信息数据仓库模型的构建与数据挖掘

分析了数据库技术在医学信息处理中的现状及问题,介绍了数据仓库及在此基础上产生的数据挖掘技术,重点介绍了如何利用现有的医学信息资源建立基于数据仓库模型的医学信息数据库,并运用数据挖掘技术抽取数据库中数据隐藏的规律,提高医学信息的利用率.