菠菜平台-十大菠菜平台

学院新闻

2023年9月25日，由菠菜平台高瓴人工智能学院主办的“大模型与生物医药”学术研讨会顺利召开。

菠菜平台高瓴人工智能学院执行院长文继荣教授出席聚会会议并致辞。与会专家有沙特阿拉伯阿卜杜拉王国科技大学高欣教授、俄亥俄州立大学生物医学信息学系/盘算机科学与工程系宁夏教授、清华大学智能工业研究院/电子工程系马剑竹副教授、深势科技机械学习算法卖力人柯国霖研究院以及菠菜平台高瓴人工智能学院长聘副教授孙浩、准聘副教授黄文炳、准聘副教授刘勇等。聚会会议由菠菜平台高瓴人工智能学院长聘副教授许洪腾主持。

菠菜平台高瓴人工智能学院执行院长文继荣教授在会上向莅临的列位老师体现谢谢。他体现，随着大模型的风潮，越来越多的科研单元也正逐渐投入这场大模型的开发运动中，因为大模型不光代表着人工智能的未来，也代表着人类科技的一个重要未来偏向。大模型所蕴含的思路也已经不光单限于语言领域，而是对各行各业都深有启发。在我们已经可以对人类语言进行编码和建模的前提下，如何对人类自身的秘密以及世界的秘密进行编码建模已然箭在弦上。目前高瓴人工智能学院也有多位教师从事相关研究，成为学院一个重要的研究偏向。当前，高瓴人工智能在推进人工智能学科建设方面已取得了不错的结果，为更好地服务国家人工智能生长战略，学院也在加速和各方相助的法式，不停推进“AI+”深度融合，致力于在人工智能学科交织领域做出具有人民大学特色的重要结果。

研讨会上，阿卜杜拉王国科技大学高欣教授分享了题为“Large Language Models in Biomedicine”的陈诉。他首先介绍了自己课题组的研究范式——从问题和数据出发，构建一些新颖的盘算模型，研究种种高效的优化要领和图算法、序列算法来解决一系列生物和医疗相关的开创性问题。从2020年Alphafold将白质三维结构预测（或者说是卵白质折叠问题）的基本攻克这个突破开始，人们就发现生物人工智能有着辽阔的未来应用场景，生物也从一种偏小数据驱动、偏试错法驱动、偏经验主义的一种科学逐渐转向data-driven的大数据驱动的科学。随后，高欣教授给出了“LLM逻辑在病毒进化方面的应用-预测新冠病毒的进化”、“大模型在药物设计中的应用”、“干湿闭环的多肽药物设计平台”与“LLM逻辑在皮肤病检测方面的应用”等几个例子，论述了生物数据多模态、多尺度、多维度、跨时间、跨空间的特点对生物大模型设计方面的启发并展示了“以跨模态的训练大模型作为底层支撑来进行多指标的同时优化与强化学习”这个范式的良好效果。

俄亥俄州立大学生物医学信息学系/盘算机科学与工程系宁夏教授副教授线上远程分享了题为“Generative AI for Drug Discovery”的陈诉。她指出：用于药物发现的人工智能（AI）已经远远超出了对现有候选药物的预测分析。最近的尖端生成人工智能为生成新的药物结构和肽序列提供了巨大的时机，这些结构和肽可能不存在，但体现出比任何现有结构和肽更好的特性。随后，宁夏教授通过解说分享“Modof：一个用于分子优化的深度生成模型”、“ShapeMol：一种用于三维分子生成的等变条件扩散模型”、“G² Retro：用于逆合成预测的两步图生成模型”、“RLSynC：用于Synthon Completion的离线在线强化学习”以及“针对MHC I类卵白质的结合肽生成”等事情来展开本次陈诉，详细介绍了基于自动编码器的深度学习、深度强化学习和扩散的事情的细节，展示了生成式人工智能如何在传统要领无法实现的领域助力药物发现。

菠菜平台高瓴人工智能学院准聘副教授黄文炳分享了题为：“几何机械学习助力抗体设计”的陈诉。陈诉从对“微观分子空间”和“宏观具身空间”这两类常见物理空间的相关数据及其几何结构的解说开始，论述了科学数据领域的三大挑战：“科学数据具有庞大结构”、“科学数据受科学定律约束”以及“科学任务的数据收罗和验证受限”，并引入了“几何图神经网络助力科学研究”这一看法。之后，黄文炳教授以“抗体设计与优化”作为规范展开详细解说，介绍了团队提出的基于几何深度学习的抗体设计要领（包罗：多通道等变注意力网络（Multichannel Equivariant Attentive Network，简称MEAN）及其端到端版本dyMEAN）巧妙地解决了相关难题，并在最后进行了总结和展望：我们如今面临一个很好的一个时代，如何把知识、数据、模型去有机地结合以解决从抗原抗体的研究到更辽阔的物理空间的各尺度上的任务，形成一个一个多尺度的通用模型，是一个值得关注和思考的任务。

来自清华大学智能工业研究院/电子工程系的马建竹副教授分享了题为“基于靶点3D结构的小分子药物生成模型”的陈诉。在此次陈诉中，马剑竹副教授探索了另一种AIDD的方式—凭据靶点的3D结构接纳生成模型直接生成3D的小分子配体并讨论了自回归模型、扩散模型和基于先验知识的生成模型如何划分从差异角度来解决这一问题，同时分析了他们各自的优势和劣势以及差异的应用场景。

深势科技的机械学习算法卖力人柯国霖分享了题为“三维分子表征建模及生成”的陈诉。他从与菠菜平台学生相助的三项事情——“Uni-Mol:一个通用的三维分子体现学习框架”、“用Uni-Mol+进行高精怀抱子化学性质预测”、“基于虚拟动力学的三维分子生成”着手展开介绍。解说了深势科技在这一偏向的一系列研究事情。揭示了在AI for Science领域对微观原子三维结构进行建模和生成的一系列要害问题。最后，柯老师给出总结：三维结构对于小分子是很是要害的，无论是其生成照旧表征都是十分重要的事情和偏向。从上述的三个事情可以看到，物理或者更广义的一些Science上的支持其实对各个模型和任务的设计都有着极大的资助。同时在Science的设计之外，我们一样不能忽略基于数据驱动的要领的有效性，尤其是当前的预训练战略下。

研讨环节，与会学者围绕“大模型和生物医药”这一议题展开了热烈讨论。交流的具体问题包罗在3D结构数据与序列数据数据类型不尽相同的前提下如何找到一种更好的范式把大模型引入科学问题的研究、如何解决和看待Science领域数据的稀缺（好比生物医药领域数据的规模和自然语言/图像领域就有着巨大的鸿沟）、在科学领域是否存在所谓“通用模型”、如何看待“通用”模型和“大”模型的关系、如何看待多尺度建模和人工智能生长的些许“南辕北辙”等。老师们的看法在滑稽诙谐的同时做到了鞭辟入里，给加入本次研讨会的同学们留下了深刻的印象。