牛津大学&MIT：AI如何重塑科学研究？

牛津大学&MIT：AI如何重塑科学研究？

引用

CSDN

等

10

来源

1.

https://m.blog.csdn.net/gitblog_01117/article/details/142839382

2.

https://blog.csdn.net/simoncool23/article/details/144851900

3.

https://finance.sina.com.cn/roll/2024-11-06/doc-incvaynm8754534.shtml

4.

https://m.blog.csdn.net/gitblog_00117/article/details/142807371

5.

https://news.bioon.com/article/1acf83090990.html

6.

https://www.jiqizhixin.com/articles/2024-09-27-10

7.

https://www.jiqizhixin.com/articles/2024-12-27-10

8.

https://www.hangzhou.gov.cn/art/2024/4/9/art_812269_59095633.html

9.

https://www.mittrchina.com/news/detail/14325

10.

https://m.php.cn/faq/1162337.html

2024年，牛津大学和麻省理工学院（MIT）分别在药物研发和材料科学领域取得重大突破，展示了人工智能（AI）在科学研究中的巨大潜力。

牛津大学与多家研究机构合作，开发了名为DiffSBDD的人工智能系统，用于精确设计和优化药物分子的三维结构。这一突破性成果发表在Nature Computational Science上，标志着药物研发进入了一个全新的AI时代。

DiffSBDD的核心创新在于将SE(3)-等变扩散模型引入结构导向的药物设计中。该方法将药物设计视为一个三维条件生成问题，通过引入SE(3)-等变性来处理分子系统中的自然对称性，包括旋转和平移。这一方法使得AI系统能够像经验丰富的分子建筑师一样，精确设计和优化药物分子的三维结构。

在实际应用中，DiffSBDD展现了多功能分子设计能力。例如，在激酶抑制剂优化的案例中，模型通过多轮优化，显著提升了分子对目标激酶的结合得分，同时降低了对非目标激酶的结合倾向。此外，DiffSBDD还能同时调控多个药物属性，包括类药性、合成可行性和结合亲和力等关键物理化学性质。

这一研究成果表明，人工智能在药物研发中具有巨大的潜力。通过利用大语言模型（LLM）和扩散模型等先进技术，研究人员能够更准确地预测小分子与蛋白质靶标的结合亲和力，从而加速药物候选物的筛选过程。这不仅提高了新药发现的效率和精准度，也为个性化医疗和精准医学的发展提供了新的工具和方法。

MIT的研究团队开发了LLMatDesign框架，利用大型语言模型（LLM）来实现自主材料发现。这一突破性成果发表在arXiv预印平台上，展示了AI在材料科学领域的巨大潜力。

LLMatDesign框架能够分析大量材料数据，精准预测新材料的特性，从而彻底改变材料设计，加速先进材料的开发。该框架通过LLM代理来理解人类指令，对材料进行修改，并使用提供的工具评估结果。通过对先前决策的自我反思，LLMatDesign能够在零样本条件下快速适应新任务和环境。

在多项材料设计任务中的系统评估显示，LLMatDesign在小数据环境下有效地开发了具有用户定义目标特性的新材料。这一框架展示了在计算环境中以及未来自驱动实验室中，LLM引导的自主材料发现的巨大潜力。

此外，LLMatDesign的代码已在GitHub上开源，研究人员和开发者可以访问并使用这一框架进行材料设计和预测。这一研究成果标志着人工智能在材料科学领域应用的又一重要进展，有望加速新材料的发现和应用，推动科技和工业的发展。

牛津大学和MIT的这些突破性研究，展示了AI在科学研究中的巨大潜力。DiffSBDD和LLMatDesign两大AI系统分别在药物研发和材料科学领域实现了突破性进展，不仅提高了科研效率，还开辟了新的研究方向。

这些AI系统的成功应用，预示着未来科研的新方向。随着AI技术的不断发展，我们可以期待更多领域的科学研究将被AI重塑，为人类社会带来更多的创新和突破。