


Experten sprechen: Technologie der künstlichen Intelligenz hilft bei der Forschung und Entwicklung eines COVID-19-Impfstoffs
In den frühen 1990er Jahren sagte Herr Zhou Haizhong, ein international renommierter Wissenschaftler, einmal voraus: „Technologie der künstlichen Intelligenz wird in verschiedenen Disziplinen weit verbreitet sein und unerwartete Effekte hervorrufen.“ Heute bestätigen immer mehr Fakten seine Vorhersage. Im medizinischen Bereich spielt die Technologie der künstlichen Intelligenz bei Epidemien eine unverzichtbare Rolle. Derzeit breiten sich das neue Coronavirus-Pneumonie (COVID-19) und seine Mutation Omicron immer noch weltweit aus. Zum Aufbau einer Immunbarriere werden einerseits COVID-19-Impfungen oder orale COVID-19-Medikamente eingesetzt Andererseits werden wirksame Maßnahmen zur Vorsorge getroffen.
Ob es um die genetische Sequenzierung des neuen Coronavirus, die Suche nach der Quelle des Virus und seines Übertragungswirts oder die Entwicklung eines Virusimpfstoffs oder einer speziellen Medizin geht, die Technologie der künstlichen Intelligenz ist im Kampf gegen das neue Coronavirus von großem Nutzen. Kürzlich hat die Weltgesundheitsorganisation (WHO) eine vorläufige Bewertung der bestehenden Impfstoffe gegen das neue Coronavirus und seine Mutationen vorgenommen. Sie sagte, dass die Entwicklung eines universellen Impfstoffs gegen das neue Coronavirus eine Option sei, auf die man sich freuen könne, die jedoch schwer zu entscheiden sei wie lange es dauern wird. Viele Forschungseinrichtungen nutzen die Technologie der künstlichen Intelligenz zur Entwicklung von COVID-19-Impfstoffen und haben zunächst bemerkenswerte Ergebnisse erzielt.
Zum Beispiel hat die Nippon Electric Corporation (NEC) kürzlich die Technologie der künstlichen Intelligenz genutzt, um die nächste Generation von COVID-19-Impfstoffen zu entwickeln. Der derzeit gegen das neue Coronavirus eingesetzte Messenger-Ribonukleinsäure-Impfstoff (mRNA) führt die mRNA, die das kodierende Antigenprotein enthält, in den menschlichen Körper ein, um das entsprechende Antigenprotein zu bilden, wodurch der Körper eine spezifische Immunantwort auslöst und die Wirkung einer vorbeugenden Immunität erzielt wird . Allerdings sind in letzter Zeit zahlreiche Mutationen im Spike-Protein des neuen Coronavirus aufgetreten, die zu einer Verringerung der Schutzwirkung des Impfstoffs führen. Daher besteht die Strategie des Unternehmens darin, alle viralen Proteine außer dem Spike-Protein als Kandidatenantigene zu verwenden, mit Ausnahme derjenigen Teile, die anfällig für Mutationen sind. Zu diesem Zweck nutzen Forscher künstliche Intelligenz, um experimentelle Daten von Immunantworten zu lernen, um Kandidatenantigene zu identifizieren.
Ein weiteres Beispiel: Das Funktionsprinzip des neuen Coronavirus-Impfstoffs, der vom Imperial College London entwickelt wurde, besteht darin, mithilfe künstlicher Intelligenz das Immunsystem darauf zu trainieren, Infektionen durch bestimmte Krankheitserreger (wie Viren, Parasiten oder Bakterien) zu erkennen und darauf zu reagieren. Das Herzstück jedes Impfstoffs ist ein Antigen (ein kleines, sicheres Molekül, das auf einem Teil des Krankheitserregers basiert), das eine schützende Immunantwort auslöst. Die meisten Impfantigene basieren auf einer einzigen Pathogenkomponente, etwa dem Spike-Protein des Coronavirus oder dem Hüllprotein des Malariaparasiten, was die Wirksamkeit und Fähigkeit von Impfstoffen, auf neue Varianten zu reagieren, einschränkt. Um dieses Problem zu lösen, integrierten Forscher Genomik, Epidemiologie, Immunologie usw., um neue synthetische Antigene zu schaffen.
Ein weiteres Beispiel ist, dass die Northwestern University in den Vereinigten Staaten künstliche Intelligenz einsetzt, um die Forschung an einem COVID-19-Impfstoff zu beschleunigen. Forscher der Schule haben einen neuen Algorithmus entwickelt, der vorhersagen kann, welche Impfstoffforschungsergebnisse am wahrscheinlichsten reproduziert werden; Reproduzierbarkeit bedeutet, dass die Forschungsergebnisse erneut erhalten werden können, was ein wichtiges Signal dafür ist, dass die Forschungsergebnisse gültig sind. Dieses Modell berücksichtigt mehr Faktoren als Expertenbewertungen, sodass die Genauigkeit und Wirksamkeit des Impfstoffs höher ist. Sie glauben, dass die Genauigkeit des Modells bei alleiniger Verwendung mit öffentlicher Forschung und evidenzbasierten systematischen Vertrauenssystemen vergleichbar ist und bei Verwendung in Verbindung mit Menschen und Maschinen sogar noch höher sein wird.
Ein weiteres Beispiel: Ein Forschungsteam der Eidgenössischen Technischen Hochschule in Zürich hat kürzlich eine neue Methode zur Verwendung künstlicher Intelligenz entwickelt, um zukünftige Varianten von Coronaviren vorherzusagen, einschließlich des neuen Coronavirus, das voraussichtlich die Entwicklung der nächsten Generation fördern wird Antikörpertherapien und Impfstoffe und stellen eine Grundlage für die Formulierung dar. Bieten wichtige Referenzen für die öffentliche Gesundheitspolitik. Die Forscher sagten, dass diese neue Methode zur Entwicklung der nächsten Generation von Antikörpertherapien beitragen kann. Sie haben bereits einige Antikörper entwickelt. Die Methode kann bestimmen, welche Antikörper die größte Aktivität aufweisen, und soll auch die Entwicklung der nächsten Generation neuer Corona-Impfstoffe fördern .
Tatsächlich hat das chinesische Unternehmen Baidu bereits einen Beitrag zur Lösung des Problems des neuen Corona-Impfstoffs geleistet. Das Unternehmen brachte 2020 mit LinearDesign den weltweit ersten Algorithmus für das Design von mRNA-Impfstoff-Gensequenzen auf den Markt. Dabei handelt es sich um einen effizienten Algorithmus, der speziell zur Optimierung des mRNA-Sequenzdesigns eingesetzt wird. Für die COVID-19-mRNA-Impfstoffsequenz kann LinearDesign das Sequenzdesign innerhalb von zehn Minuten abschließen, was die Stabilität des Impfstoffdesigns und das Proteinexpressionsniveau erheblich verbessert und das wichtigste Stabilitätsproblem bei der Entwicklung von mRNA-Impfstoffen effektiv löst.
Es ist ersichtlich, dass die tiefgreifende Kombination von künstlicher Intelligenz und biopharmazeutischer Technologie die „Nadel im Heuhaufen“ der COVID-19-Impfstoffentwicklung in „Funde nach dem Bild“ verwandelt hat. Es ist fest davon auszugehen, dass die Forschung und Entwicklung des neuen Coronavirus-Impfstoffs mit den Bemühungen des wissenschaftlichen und technologischen Personals und mithilfe der Technologie der künstlichen Intelligenz bald einen großen Durchbruch bei wichtigen Kerntechnologien erzielen wird, der das Leben und die Gesundheit aller schützt Menschheit.
Das obige ist der detaillierte Inhalt vonExperten sprechen: Technologie der künstlichen Intelligenz hilft bei der Forschung und Entwicklung eines COVID-19-Impfstoffs. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
