==== |
====== |
========= |
======= |
===== |
==== |
==== |
==== |
======= |
======= |
============ |
| 一般文献 | 药物设计 | 药物数据库文献 | DNA序列分析 | 氨基酸序列分析 | 计算神经科学 | 医学图像处理 | AI顶刊文献 |
| 图神经网络 | 自然语言处理 |
| Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past, Present and Future (重量级文献，图神经网络用于医疗的综述） 随着数据驱动的机器学习研究的进步，已经解决了各种各样的预测问题。探索如何利用机器学习，特别是深度学习方法来分析医疗保健数据变得至关重要。现有方法的一个主要限制是关注类似网格的数据；然而，生理记录的结构通常是不规则和无序的，这使得很难将它们概念化为矩阵。因此，图神经网络通过利用存在于生物系统中的隐式信息引起了极大的关注，交互节点由边连接，边的权重可以是时间关联或解剖连接。在本次调查中，我们彻底审查了不同类型的图架构及其在医疗保健中的应用。我们以系统的方式概述了这些方法，按照它们的应用领域进行组织，包括功能连接、解剖结构和基于电的分析。我们还概述了现有技术的局限性并讨论了未来研究的潜在方向。 |
| Fast and Effective Protein Model Refinement Using Deep Graph Neural Networks 本文作者提出了一种新的蛋白质模型优化方法GNNRefine。GNNRefine利用图神经网络(GNN)从初始模型预测残差距离分布，然后将预测的距离信息输入PyRosetta FastRelax建立优化模型。由于只使用有限的构象抽样，GNNRefine可以非常快速地改进模型。研究表明，即使从一个初始模型中生成5个优化模型(约耗时15分钟)，GNNRefine也可以提高模型质量，几乎和生成50个优化模型一样好，而且GNNRefine可以比一些使用广泛的构象抽样的方法更好。此外，当构象采样受限时，GNNRefine在蛋白质模型优化方面比ResNet好得多，因为GNN可以比ResNet更好地预测初始模型优化后的距离。 |
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。