一个国际研究团队使用人工智能来探索遗传学如何影响心脏左心室的结构。
这个研究该研究由曼彻斯特大学与利兹大学、阿根廷国家科学技术研究委员会和加利福尼亚州IBM研究院合作进行。
研究人员使用无监督深度学习分析了来自英国生物库的50，000多张3D MRI图像，为使用全基因组和全转录组关联研究（GWAS和TWAS）分析心脏结构的特定区域的遗传关联奠定了基础。
它旨在确定心脏结构与遗传学的关系，从而为探索遗传学如何影响器官形成和结构开辟了途径。
这可能会进一步研究受基因影响的先天性心脏病的形式。
以下是一个简短的逐个打击如何工作：
- 数据收集和准备该团队首先利用英国生物库数据库，选择了超过50，000张心脏的三维MRI图像。这些图像为分析左心室的结构和形态提供了基础资料。
- 无监督模型的训练：研究人员随后使用无监督的深度学习模型从这些图像中学习结构，这意味着这些模型在没有事先标记的情况下识别了数据中的模式和特征。
- 几何特征提取在无监督模型到位后，该团队随后专注于从心脏MRI数据中提取代表左心室的图像中提取几何特征。
- 全基因组和全转录组关联研究（GWAS和TWAS）：有了提取的特征，研究人员进行了全面的GWAS和TWAS。这些分析使他们能够测试遗传学和左心室结构之间的关联。
- 结果：49个新的遗传位置被确定与心脏的形态有强烈的关联，另外25个与心脏的形态有中度关联。
Alejandro F. Frangi解释说：“这是一项曾经看起来像科幻小说的成就，但我们表明，使用人工智能来理解左心室的遗传基础是完全可能的，只是通过查看心脏的三维图像。
writing on the 曼彻斯特大学的博客Frangi讨论了以前研究的局限性和这些新方法所取得的突破：“以前的研究只调查了传统临床表型的关联……然而，这项研究不仅使用人工智能从三维医学图像中快速描绘心脏腔室，而且还揭示了与各种心血管深层表型相关的新基因位点。
该研究的发现为了解心血管健康的遗传基础提供了深入的见解，并为开发靶向疗法和精准医学开辟了新的途径。
正如英国心脏基金会的Bryan Williams教授所描述的：“这项新的研究显示了将基因与心脏结构联系起来的大数据的巨大力量。机器学习通过改变我们处理、分析和从大数据中获得见解的方式，使这一点成为可能，以解决心血管研究中的最大问题。
人工智能模型以前曾被用于制作器官的详细3D地图，包括人类大脑，例如在欧盟， 大规模人脑计划（HBP）.
这在将遗传学与器官结构联系起来方面又进了一步，为心脏的形态及其遗传驱动因素提供了更深入的理解。
人工智能正在改变我们对保存气味的看法，有可能拯救濒临消失的稀有香水。
挪威科技大学的Idelfonso Nogueira和他的团队展示了人工智能可以制作配方来重现香水。
这项研究涉及通过“气味家族”（如“辛辣”或“麝香”等描述性术语）和“气味值”（衡量气味的强度）来描述香味。
例如，他们发现一种香豆味香精(让人想起香草味)的气味价值很高，而另一种香水的香气值很高。
研究人员打算利用这一过程， 通过从单一样本复制这些气味来保存晦涩和罕见的气味——例如那些从不断变化的自然环境或濒临灭绝的植物中获得的气味。
它还可以实现一个高效、可复制的香水制造过程，这是一项通常需要大量尝试和错误的任务。
方法细目
第一步是分析目标香水，以了解它们的气味特征，包括它们的气味种类(如“辛辣”或“麝香”)及其浓烈程度。
然后，使用在庞大的分子数据库上训练的门控图神经网络（GGNN），该团队生成了可能复制目标香味的新分子。
研究方法。来源：Via Arxiv
这个过程包括两个阶段：用已知分子训练GGNN，以学习分子结构与气味之间的关系，然后通过迁移学习生成与所需气味特征相匹配的新分子。
Nogueira解释说，气味的感知由于分子与空气或皮肤发生物理和化学相互作用而发生变化。 为了准确地复制原始气味，他们选择了人工智能生成的分子，这些分子蒸发的方式与原始香水中的分子相似，从而解决了捕捉“前调”的短暂本质和“基调”的持久性的挑战。
在生成一系列分子后，研究小组根据其蒸汽压和香味气味选择最符合目标香味特征的分子。
最后一个阶段是优化香水配方以匹配原始香味。该过程考虑了香料中不同香味家族的强度，并相应地调整香料的分子组成。
其中一种用这种方法生产的香水与原版的相似，但在“香豆”和“尖锐”的音符上略有偏差。另一个几乎完全匹配。
作者认为，扩大数据库以包括更复杂的分子可以提高这些人工智能生成的香料的准确性，为目前面临高成本和长开发时间的香水行业提供更便宜、更可持续的解决方案。
诺盖拉准备在斯洛文尼亚卢布尔雅那的一位同事的实验室里亲身体验一些人工智能生成的香水，从而进一步测试这项技术。“闻到它们，我非常兴奋，”他说。
人工智能在不那么可疑的应用中有许多新的用途，例如当研究人员使用神经网络来对葡萄酒独特的风味特征进行地理定位时，以
萨里大学的研究人员发表在《反应化学与工程》上的一项研究表明，人工智能利用人工智能增强发电厂的碳捕获，减少了三分之一以上的能耗。
这项研究由萨里大学化学与化学工程学院可持续过程主席金宣教授领导，重点是优化碳捕获系统。
它展示了一个基于真实燃煤发电站的模型系统，该系统使用人工智能实现了二氧化碳捕获量增加16.7%，同时将英国国家电网的非能源消耗减少了36.3%。
轩教授强调了这种方法的新颖性，萨里大学的一篇文章指出“通常，碳捕获系统以相同的速率持续运行，无论外部环境如何变化。但我们表明，教导系统不断进行小的适应可以节省大量的能源，同时捕获更多的碳。
碳捕获是缓解二氧化碳对环境影响的关键过程，二氧化碳是大多数发电厂产生的主要温室气体。
这通常是通过加强风化来实现的，这是一种通过含有石灰石的水将烟道气鼓泡，与碳酸钙反应形成无害的碳酸氢盐的方法。
然而，这一过程是能源密集型的，需要电力来泵送水和二氧化碳。该研究中的二氧化碳捕获厂有自己的风力涡轮机用于可再生能源，但在较平静的天气中，这是不够的，它使用的能源来自电网。
该研究团队的成就在于使用人工智能使模型系统能够预测二氧化碳产量和可再生能源可用性的波动。这使得系统能够相应地调整抽水量，随着时间的推移优化能源使用。
利用机器学习优化碳捕获技术。资料来源：Reaction Chemistry and Engineering
萨里大学化学和化学工程讲师雷兴博士强调了他们发现的意义，他说：“虽然我们测试了我们的模型增强风化，但这些原理适用得更广泛。我们的模型可以帮助任何试图以更少的能量捕获和储存更多二氧化碳的人—无论他们使用的是什么工艺。
研究人员希望这些发现能够为联合国的可持续发展目标做出贡献，该目标旨在减少对不可再生能源的压力，并投资于创新的碳捕获技术。
今年1月早些时候，微软利用人工智能创造了一种新的锂电池电解液，能够减少 电池中锂含量降低约70%。
更多关于这项研究的信息
该研究旨在优化碳捕获，以减少不可再生能源的使用，同时保持或改善二氧化碳捕获。
它使用人工智能根据微小的变化来调整系统，而不是以相同的速度连续运行。
以下是它的工作原理：
- 创建二氧化碳捕获模型研究人员开发了机器学习模型来预测反应堆捕获二氧化碳的效率以及它将使用多少电力。他们使用了两种类型的模型：LSTM（长短期记忆）和MLP（多层感知器）。
- 用AI预测关键因素他们使用人工智能来预测两个关键因素：燃煤电厂的天然气中会有多少二氧化碳，以及有多少风能可用于为捕获过程提供动力。这些预测对于规划捕获过程非常重要。
- 测试和改进模型该团队使用统计方法严格测试了他们的人工智能模型的准确性。他们还使用了一种称为保形预测的技术来确定他们对模型预测的信心。
- 优化捕获过程研究人员利用人工智能模型中的数据，采用了一种复杂的算法，在捕获最多的二氧化碳和使用最少的不可再生能源之间找到最佳平衡。
- 分析结果：结果令人振奋。他们显示，在一个月的时间里，反应堆平均多吸收了16.7%的二氧化碳，使用的非可再生能源减少了36.3%。
这表明了人工智能在节能技术中的作用。
适用于高耗能过程和家电的轻量级AI系统可以优化其功能，有效地降低资源消耗。
研究人员发现，人工智能辅助结肠镜检查可以提高息肉的检测能力，特别是在由经验较少的医生进行检查时。
这项研究可以为更准确地诊断结直肠癌铺平道路。
结肠镜检查是结直肠癌的关键诊断工具，现在正配备人工智能辅助工具，这要归功于一种新研究来自香港中文大学医学院。
传统的结肠镜检查，包括将内窥镜插入结肠，在检测和去除癌前息肉（称为腺瘤）方面是必不可少的。然而，腺瘤可能会被遗漏，由于其扁平的形状，不良的肠道准备，和不同的内窥镜技术。
针对这个问题，主要作者Louis H.S. Lau说：“我们的研究对人工智能在临床医学和内窥镜培训中的未来发展具有重要意义。初级内窥镜医生通常技能较低，在最初的学习阶段需要更高水平的帮助。
Lau继续说：“我们的研究对内窥镜培训具有重要意义，因为它表明人工智能的使用为他们提供了图像指导，以更标准的方式练习技能。结果证实，这项创新有助于提高具有不同经验水平的内镜医生的腺瘤检测能力。
该研究使用了一种名为计算机辅助息肉检测（CADe）的深度学习系统，该系统已经证明了其在实时腺瘤检测中的临床益处。
这项研究涉及22名初级内窥镜医生，他们的内窥镜检查次数少于500次，培训时间少于三年。这些内镜医师根据经验水平分为初级组和中级组。
该研究于2021年4月至2022年7月在香港进行，以单盲、平行组、随机对照试验的方式进行，参与者正在接受筛查、监测或诊断性结肠镜检查。
这些参与者按1：1的比例随机分配接受CADE辅助结肠镜检查或标准结肠镜检查(对照组)。
他们的表现在766名患者中进行了评估，其中近一半接受了CADE辅助结肠镜检查。
结果显示，CADE组的腺瘤发现率(ADR)(57.5%)明显高于对照组(44.5%)。这一改进在发现较小的腺瘤时尤其明显。
很高兴分享我们关于#AI#结肠镜检查的#RCT#培训中的内窥镜检查！
训练人工智能图像分类器或计算机视觉系统需要访问大量图像数据集。麻省理工学院的研究人员已经找到了一种方法来减少我们对图像分类的真实数据的依赖。
当你上传一张猫的图片，并要求ChatGPT解释这张图片是什么时，它能够做到这一点，因为它对数千张带有文本标签的猫图片进行了训练。
这些训练图像肯定是从某个地方来的。用于训练稳定扩散的数据集之一被称为LAION-5B，它是从互联网上收集的数十亿张图像的集合，并与文本描述配对。
但是，当我们需要更多的数据来训练一个模型，但已经耗尽了我们拥有的真实图像集时，我们该怎么办？
麻省理工学院的一组研究人员通过创建自己的合成数据集来应对数据稀缺的挑战。
他们的方法被称为StableRep，使用了一种名为“多正对比学习”的策略。听起来很复杂，但概念其实很简单。
他们用文本描述提示稳定扩散图像生成器，然后让它生成多个图像。假设稳定扩散功能做得很好，他们现在有一个与初始提示匹配的图像集合。
StableRep将这些图像视为彼此的正面，并学习为什么这些图像与初始提示符的语义匹配背后的高层概念。
该团队在人工智能生成的图片上训练了他们的图像分类器模型，并在语言监督下给它带来了一个小的性能提升，最终推出了StableRep+。
StableRep+在图像分类方面会如何表现，因为它只“看到”AI生成的图像？
当用2000万张合成图像训练时，StableRep+比用5000万张真实图像训练的CLIP模型更准确和高效。研究人员仍在努力了解卓越性能背后的原因。
仍然存在一些问题，但使用像这样的合成训练数据解决了很多数据收集问题，如成本，版权和与真实图像相关的隐私问题。
这种方法的挑战包括为数据集生成数百万张图像的计算成本和时间。SableRep仍然依赖于使用最初在真实图像上训练的图像生成器来生成合成数据。
在真实图像数据集中的文本提示或数据标签中的任何偏差也转移到基于合成数据训练的新模型。
尽管面临挑战，但StableRep取得的成果是有希望的。合成数据可以提供的多样性的增加可以减少数据科学家在训练新模型时对昂贵且有限的真实数据的依赖。
医疗保健研究公司Klick Labs的研究人员开发了一种机器学习模型，可以通过6到10秒的简短语音记录来确定2型糖尿病的存在。
该模型显示，当结合身体质量指数（BMI）等其他指标时，女性的最大测试准确率为89%，男性的最大测试准确率为86%。
“我们的研究强调了患有和不患有2型糖尿病的个体之间的显著声音差异，并可能改变医学界筛查糖尿病的方式，”Klick Labs的研究科学家Jaycee Kaufman评论道。
该方法， 发表于Mayo Clinic Proceedings，需要一个简短的智能手机录制的音频剪辑。
目前的检测方法可能需要大量的时间、旅行和成本。语音技术有可能完全消除这些障碍。“考夫曼补充道。
该研究涉及分析18，000个录音，旨在识别区分糖尿病患者和非糖尿病患者的独特声学特征，检测人耳无法察觉的音调和强度的细微差异。
晚期或晚期糖尿病可通过引起神经损伤和血流障碍而影响声音，导致诸如神经病变等影响声带的疾病。这可能导致声音虚弱、沙哑或疲倦。
此外，糖尿病会导致口腔干燥，由于唾液分泌减少，进一步导致声音问题。
强调人工智能在医疗保健中的作用越来越大，研究人员认为，这种语音技术可以扩展到诊断其他健康状况。
Klick Labs副总裁Yan Fossat表示：“我们的研究强调了语音技术在识别2型糖尿病和其他健康状况方面的巨大潜力。语音技术可以彻底改变医疗保健实践，成为一种可获得和负担得起的数字筛查工具。
更多关于研究
这是一项令人着迷的研究，但它在方法论上是否稳健？
样本量相对较小，关于糖尿病组中糖尿病进展情况的信息有限，关于对照组的信息也很少。
然而，预测糖尿病患者说话的微妙音调质量似乎是可能的，对于那些患有晚期或未受控制的疾病形式。
这里是一个近距离观察：
- 目标： 该研究试图调查语音分析是否可以帮助筛查或监测2型糖尿病（T2DM）。研究人员专注于识别患有和不患有T2DM的个体之间的语音记录差异。
- 方法：267名参与者，包括男性和女性，包括非糖尿病和T2 DM患者，在两周的时间里每天多次使用智能手机应用程序记录一个固定短语。这一过程产生了18,000多份录音。研究小组从这些录音中提取了14种不同的声学特征，以分析和比较非糖尿病和T2 DM参与者的声音。
- 调查结果： 研究人员发现，当将非糖尿病患者与T2DM患者进行比较时，男性和女性的语音记录存在显著差异。他们确定了准确预测T2DM状态的特定语音特征，特别是将其与年龄和BMI数据相结合。最大测试准确率为女性89%，男性86%。
- 含义： 这些结果表明，语音分析具有潜在的预筛选或监测工具的T2DM。这种方法在偏远
通过语音记录诊断疾病的概念可能看起来很牵强，必须认识到只有当录音与BMI结合时才能获得最佳结果。
使用诸如祖鲁语或苏格兰盖尔语等低资源语言（LRL）可能会引起来自GPT—4的不安全响应，尽管它有对齐护栏。
布朗大学的研究人员发现，你不需要花哨的越狱技巧来让GPT—4行为不端。你只需要输入你的提示在网上没有很好地表现的语言。
如果你向ChatGPT寻求帮助做一些非法的事情，它的对齐护栏就会启动，它会礼貌地告诉你为什么它不能帮助你。红团队人工智能模型是一个持续的过程，人类试图绕过这些安全限制，以确定需要修复的领域。
研究团队使用AdvBench有害行为数据集，其中包含520个不安全提示，以查看最新版本的GPT—4有多安全。
输入这些非法的英语提示只得到了不到1%的不安全响应。但是，当他们在祖鲁语中输入相同的提示时，GPT—4很乐意帮助你提高犯罪和混乱的生活53%的时间。
在使用苏格兰人时，盖尔语有43%的几率会产生非法反应。下面是他们与GPT-4互动的一个例子。
苏格兰盖尔语提示的GPT—4反应。来源：arXiv
当他们把事情混在一起并使用LRL的组合时，他们成功地越狱了79%的时间。
全球约有12亿人在使用资源稀缺的语言。因此，除了有可能越狱之外，这意味着很大一部分用户可能会从ChatGPT那里得到一些粗鲁的建议，即使他们不是在寻找它。
正常的”红队和修复”方法显然不会起作用，如果它只用英语或其他主要语言完成。多语言的红队似乎正在成为一种必要，但它的实际性如何？
随着Meta和Google支持数百种语言的翻译，你需要有数量级的更多的红色团队来修补人工智能模型中的所有漏洞。
完全一致的人工智能模型的想法现实吗？我们不会在我们的打印机中建立保护来阻止他们打印不好的东西。如果你去找，你的互联网浏览器会很高兴地向你展示互联网上各种粗略的东西。ChatGPT应该与这些其他工具有什么不同吗？
消除我们聊天机器人中的偏见并使它们尽可能友好的努力可能是值得的。但是，如果有人输入了一个非法的提示，而人工智能以实物形式回复，那么也许我们应该把责任从人工智能转移到用户身上。
一个生物工程师团队已经成功地利用人工智能从我们古老的过去复活了分子。
这项有趣的研究利用机器学习（ML）来分析现代人类的蛋白质数据，智人）以及我们灭绝的亲戚尼安德特人（尼安德特人)和丹尼索瓦人，来自亚洲的一个灭绝的物种或亚种。
这个学习发现了有可能对抗致病细菌的分子。这些被称为“消亡”的技术有可能成为寻找新抗生素的基础。
这项研究的合著者、费城宾夕法尼亚大学的生物工程师塞萨尔·德拉富恩特说：“我们的动机是把过去的分子带回来来解决我们今天存在的问题。”告诉nature.
如果这让你想到某部以恐龙为基础的电影系列– 这正是研究团队的灵感所在。
德拉富恩特说，”我们开始考虑， 侏罗纪公园他说。该团队没有像科学家在1993年的电影中所做的那样，让恐龙起死回生，而是想出了一个更可行的想法：“为什么不让分子起死回生？”
研究人员面临着寻找新抗生素的巨大压力，在过去的30年里，几乎没有发现有效的药物。
与此同时，耐药细菌的流行正在增加，因此新的治疗方法受到欢迎。人工智能为探索这些新的治疗方法提供了许多途径，一系列研究利用该技术来揭示隐藏和未知的临床相关分子。
许多生物体产生短的蛋白质亚基，称为具有抗菌特性的多肽。几种主要来自细菌的抗菌肽被用来治疗感染。
包括人类在内的灭绝物种的蛋白质可以作为开发新抗生素的宝贵但未被开发的资源。
研究人员训练了ML算法来识别人类蛋白质上被切割成肽的位置。他们将这种算法应用于公开可用的蛋白质序列， H. sapiens，H. neanderthalensis和Denisovans，根据已知抗菌肽的特性鉴定新的肽。
AI的分子“去灭绝”。来源：通过机器学习实现的古代抗菌肽的分子去灭绝。
使用人工智能识别和测试潜在的候选药物只需要几周时间，而传统的过程需要3到6到6分钟才能发现一种新的抗生素。
该团队在实验室环境中测试了各种多肽，以探索它们消除细菌的能力。他们选择了6个有效的多肽-4个来自H.智人1、从 H. neanderthalensis，1株来自丹尼索瓦人。这些多肽在感染了猪流感病毒的小鼠身上进行了测试。鲍曼不动杆菌。
虽然没有一种多肽完全杀死细菌，但它们都成功地抑制了细菌的生长a.鲍曼不 在大腿肌肉组织中5种分子杀死皮肤中的细菌，尽管需要高剂量。
“即使我们使用的算法没有产生惊人的分子，我认为这个概念和框架代表了一个全新的思考药物发现的途径，”de la Fuente说。
斯坦福大学的基因组学和精密健康专家尤安·阿什利（Euan Ashley）评论说：“德拉·富恩特（De la Fuente）和他的同事说服我，深入研究古老的人类基因组是一种有趣的、潜在有用的方法。
研究如何工作：一个细分
- 研究人员开始复活（或“去灭绝”）不再由生物体产生的生物活性分子。这些分子可能被用于药物的发现。
- 他们使用了一种名为panCleave的机器学习（ML）模型。这是一个“随机森林”模型，是一种基于许多输入预测结果的人工智能算法。panCleave模型预测了蛋白质将在哪里被分裂成更小的部分，称为肽。这些肽有时具有抗菌特性。
- 结果：研究人员发现了几种肽（来自现代人类和灭绝人类亲属），在实验室测试时显示出作为抗菌剂的潜力。
- 测试包括抵抗被其他蛋白质破坏和渗透细胞膜的能力。一些肽有效地对抗了小鼠皮肤溃疡中常见的细菌感染。
- 机器学习方法可以识别有前途的肽，用于开发新抗生素。此外，“分子去灭绝”（从灭绝生物中复活分子）被提出为药物发现的新框架，特别是发现新的抗生素。
事实证明，人工智能大规模发现新药的潜力是巨大的，不仅是抗生素，抗衰老药物和其他化合物也是如此。
香港大学的研究人员使用深度学习技术设计了牙冠，这是放置在现有牙齿上的帽子，以修复和保护它。
目前，大多数牙冠都是使用计算机辅助设计（CAD）创建的。研究人员说，与CAD方法相比，他们的方法产生了美学和功能上更好的牙冠。
此外，使用人工智能设计牙冠可以节省时间和金钱，并降低人为错误的可能性。
它是如何工作的？
的 研究发表在《牙科材料》上，使用了600个第二前磨牙和邻近牙齿的数字模型的数据集。这些被传递到一个3D神经网络，一个3D—DCGAN，它从健康的数字模型中学习各种结构特征。
健康牙齿的数字模型被输入神经网络。资料来源：自然。
一旦模型被训练，研究人员用它来生成牙冠，并发现它在几个变量上优于经典设计的牙冠。
研究人员说：“这项研究表明，3D—DCGAN可以用于设计高精度的个性化牙冠，可以模仿自然牙齿的形态和生物力学。
据预测，生成的牙齿不仅在功能上优于CAD设计的牙齿，而且它们的寿命也很可能超过它们。
这项研究得到了其他牙医的好评。来自德克萨斯州奥斯汀美容牙科的Tejas Patel， 告诉福克斯新闻用CAD制作牙冠“对个别患者来说需要相当长的时间。这意味着更高的成本和更大的出错空间。
他还评论了人工智能生成的牙冠的长寿问题，他说：“通过使用生成式人工智能，这些过程可以更准确地利用之前的数据创建个性化的牙冠，并以足够的精度塑造它们，几乎可以和真正的牙齿一样持久。”
Patel表示，人工智能生成的新冠病毒将在向公众推出之前接受临床试验。
然而，这在牙科是一个比在其他医疗领域更快的过程，因此患者可以在短短一两年内看到好处。
医学中的3D神经网络
3D神经网络已经被用于其他医学应用，例如分析由fMRI产生的复杂3D诊断图像。
这项技术已被用于 脑出血分类，识别结构 提示阿尔茨海默病的异常，以及 神经胶质瘤分类一种脑瘤。
人工智能正在支持几乎每个领域和学科的医疗进步，而且人工智能辅助技术将很快成为常态。
