确定生物分子的三维结构是现代生物学中最大的挑战之一。传统上，制药公司和研究机构经常需要花费数百万美元来确定一个分子的结构，然而即便投入如此之大，也经常遭遇失败。近两年，人工智能技术在生物大分子结构预测方面的应用越来越受关注，并取得系列重大突破。

【1】AlphaFold预测出98.5%的人类蛋白结构：蛋白质对生命至关重要，理解它们的三维结构是理解其功能的关键。然而，迄今为止，只有17%的人类蛋白质组经实验技术确定了结构。7月，DeepMind与合作者发布了由新一代AlphaFold预测的蛋白结构数据库（AlphaFold Protein Structure Database）。该数据库包含了AlphaFold系统预测的约35万个蛋白结构，覆盖包括人类以及20种生物学研究中常用模式生物，其中，在人类蛋白质组方面，AI对98.5%的（20 296种）人类蛋白的结构做出了预测。

【2】新型AI软件10分钟内计算蛋白质结构：除了AlphaFold，由华盛顿大学的研究团队开发的另一名为RoseTTAFold的系统在预测蛋白结构方面也取得了重要进展。RoseTTAFold系统突破了AlphaFold的一个重要局限：不仅可用于预测单一蛋白质的结构，还可以用于预测蛋白复合体的构象。这些成果都被认为是生命科学领域的重大突破，对于促进新药研发可能具有不可估量的意义。它利用深度学习技术，在有限的信息基础上快速准确地预测蛋白质结构，没有这种软件的帮助，仅仅确定一种蛋白质的结构就需要数年的实验室工作。另一方面，在一台游戏计算机上，十分钟就可以可靠地计算出一个蛋白质结构，研究小组使用玫瑰花环/折叠计算了数百种新的蛋白质结构，其中包括许多对人类基因组了解甚少的蛋白质。他们还生成了与人类健康直接相关的结构，包括那些与有问题的脂质代谢、炎症紊乱和癌细胞生长相关的蛋白质。

【3】新型AI算法准确预测RNA三维结构：借助人工智能算法，从海量错误形状中挑选出RNA分子的三维形状。由于人类对于RNA分子三维立体结构的认知仍旧处于起步阶段，因此，预测RNA折叠结构的计算预测，是一项非常重要但异常困难的任务。尽管缺少数据，但机器学习成功打开了理解及设计包括药物在内的各种分子的大门。

【4】鳗鱼机器人展示超强抗控制系统故障能力：研究人员研发出一款名为AgnathaX的机器人，该鳗鱼机器人利用其各部分装有的传感器装置，能在中央控制系统损坏情况下，从水中获得传感反馈信号来协调其运动，为研究人员开发更简单、坚固的移动机器人开辟了一个新方向。当科学家切断机器人不同部分之间的通信以模拟脊髓损伤时，测量水压的压力传感器发出的信号还足以维持机器人实现波浪式运动。这些发现可用于设计更有效的游泳机器人，用于搜索和救援任务和环境监测。

【5】假肢系统若能在用户和假肢之间提供强烈代理感和所有感，那么在提升性能的同时也能降低设备废弃率。研究者们为仿生假肢开发了一种神经机器接口，该接口利用触觉来增强身体的所有感，并通过抓握运动感增强代理感。本月封面图片即为仿生假臂内插口的照片。

【6】随着深度神经网络走向更大、更复杂的架构，其对计算资源提出了更大需求，在实时应用部署方面也面临着挑战。为了降低复杂性，在不显著降低模型准确度的前提下，通过修剪或量化等方法，可对神经网络进行压缩。研究人员开发了一种方法，可生成深度神经网络模型的量化版本，在具有高精度、低能耗和纳秒推理的FPGA芯片上实现全自动部署，这是CERN大型强子对撞机上质子-质子碰撞中实时事件选择程序所必需具备的条件。

【7】分析复杂的流动动力学(flow dynamics)对于解决汽车、航空航天和生物医学工程等领域的诸多问题意义重大。粒子图像测速(PIV)是可视化和计算流场速度分量的关键技术。通常，需要手动设计算法来完成PIV测量，但研究人员开发了基于深度学习的、有望实现通用且高度自动化的光流估计器，用以研究非常精细的速度波动。封面图片展示了该光流学习模型预测的湍流边界层的密集位移场。

以上内容由IJAC编辑基于封面文章编译而成，如有不当之处，欢迎后台留言批评指正！