2022年数字健康发展态势

生物技术、数字技术等新兴技术的快速发展,为面向人民生命健康的融合创新提供了源动力,“数字健康”应运而生。近年来,随着居民收入的增加、消费结构的升级、人口老龄化及城镇化的加速发展,数字健康的应用场景不断丰富,发展空间不断拓展。2022年,国内外数字健康科技与产业均取得了新发展,包括政策的推动、前沿技术的突破以及产品的上市等。本文从政策、科技以及产业的创新链角度总结了数字健康的最新进展,并对数字健康的发展趋势进行展望。     

智能蛋白质工程

蛋白质是生命活动的重要基础物质,在生物体内扮演着多种关键角色,包括构建细胞结构、参与代谢和能量转化、调节生理功能、提供免疫保护、传递信号等。蛋白质多样化的功能是通过其特定的氨基酸序列,以及相应的三维结构来实现的。蛋白质工程通过改变或设计蛋白质的序列与结构来实现特定的功能,从而扩展对蛋白质的理解,并为生物医学、生物材料、生物工程及其他领域的研究提供强大的工具和技术支持。近年来,随着算法的进步、大数据的积累,以及硬件计算能力的提升,人工智能技术得到了快速发展,并逐渐应用于蛋白质工程领域,形成了智能蛋白质工程。通过运用基因组、蛋白质组、蛋白质结构数据库等生物学大数据,以及在数据基础上建立各类先进的深度学习模型,智能蛋白质工程能够实现高效、精准、可预测的蛋白质设计和改造。本文主要侧重于智能蛋白质工程的四个方面,即结构设计、无骨架的序列设计、基于骨架的序列设计,以及其他辅助设计方法,总结了人工智能技术在这些领域取得的最新进展,并汇总了近年来采用智能蛋白质工程技术取得的实践成果。智能蛋白质工程作为一种新兴的技术和方法,展示了巨大的潜力和前景,为未来科学研究和技术创新带来深远的影响,并为解决全球性挑战提供新的解决方案和工具。     

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.     

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。     

多学科交叉背景下人工智能融入“合成生物学”课程教学的设计与实践

近年来,人工智能赋能合成生物学迅速发展,特别是在蛋白质结构模拟与预测、调控元件与代谢网络设计与优化等方面展现了巨大的潜力。加强人工智能融入“合成生物学”课程的教学,顺应合成生物学前沿发展趋势,将有效推动多学科高水平复合型人才培养与协同创新。本文从构建多学科融合的课程内容体系与教学模式、兼顾人工智能基础及其在合成生物学的应用、培养自主学习与创新实践能力、加强人工智能相关的科技伦理教育等方面,阐述了人工智能融入“合成生物学”课程的教学理念。在此基础上,从人工智能基础的补充、人工智能融入“合成生物学”的课堂教学内容、人工智能融入实验教学内容这三个方面,设计了人工智能与“合成生物学”课程内容融合的体系。进而结合教学理念与内容构设,并以江南大学“合成生物学”课程为例,阐述了多学科交叉背景下人工智能融入课程的建设路径。最后,对于教学的预期成效进行了展望。     

人工智能时代下的蛋白质从头设计

具有特定功能和特性的蛋白质在生物医药、纳米材料等领域至关重要。蛋白质从头设计能够定制序列以生成具有所需结构、自然界中未存在的蛋白质。近年来,随着人工智能的迅猛发展,深度学习生成模型逐渐成为强大工具,许多功能性蛋白质的设计都达到了原子级别的精度。本文概述了蛋白质从头设计的演进,着重介绍了其最新算法模型,并分析了其存在的问题,如设计成功率低、精度不足以及对实验验证的依赖性,最后探讨了蛋白质设计的未来趋势,旨在为研究者和从业者提供有益参考。     

基于机器学习的医学影像分析在药物研发和精准医疗方面的应用

MRI,PET,和CT等医学影像在新药研发和精准医疗中起着越来越重要的作用。影像技术可以被用来诊断疾病,评估药效,选择适应患者,或者确定用药剂量。 随着人工智能技术的发展,特别是机器学习以及深度学习技术在医学影像中的应用,使得我们可以用更短的时间,更少的放射剂量获取更高质量的影像。这些技术还可以帮助放射科医生缩短读片时间,提高诊断准确率。除此之外,机器学习技术还可以提高量化分析的可行性和精度,帮助建立影像与基因以及疾病的临床表现之间的关系。首先根据不同形态的医学影像,简单介绍他们在药物研发和精准医疗中的应用。并对机器学习在医学影像中的功能作一概括总结。最后讨论这个领域的挑战和机遇。     

人工智能时代的智能生物制造

生物制造以低碳循环、绿色清洁的优势在社会可持续经济发展模式中占有举足轻重的作用,其发展是未来大趋势.技术进步使得生物制造在微生物细胞代谢调控规律、生物加工过程的在线数据等方面形成了海量数据,但传统数据分析相关理论的不完善极大地限制了这些海量数据的挖掘,利用人工智能在数据处理方面的优势,通过机器学习对数据中蕴含的知识进行...     

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.     

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。