Năm 2023, các nhà khoa học đã công bố một nghiên cứu trên tạp chí *Nature* cho thấy một mô hình AI có thể dự đoán các phân tử có đặc tính kháng sinh. Mô hình này đã xác định được một loại kháng sinh mới, abaucin, có khả năng tiêu diệt *Acinetobacter baumannii*, một loại vi khuẩn kháng thuốc nguy hiểm.
Tuy nhiên, việc phát triển abaucin thành một loại thuốc khả thi sẽ đòi hỏi nhiều năm nghiên cứu và thử nghiệm lâm sàng.
Các nhà nghiên cứu tại Đại học McMaster đã sử dụng một mô hình học sâu để phân tích dữ liệu từ 7.500 loại thuốc và hợp chất khác nhau. Mô hình này đã xác định được 240 loại kháng sinh tiềm năng, trong đó có abaucin.
Abaucin đã được thử nghiệm trên chuột và cho thấy hiệu quả trong việc điều trị nhiễm trùng *A. baumannii*.
Các nhà nghiên cứu hy vọng rằng abaucin có thể được phát triển thành một loại thuốc mới để chống lại các bệnh nhiễm trùng kháng thuốc.
**Tương lai của AI trong phát triển thuốc**
Việc phát hiện abaucin là một ví dụ đầy hứa hẹn về tiềm năng của AI trong phát triển thuốc. AI có thể giúp các nhà khoa học:
* **Xác định các mục tiêu thuốc mới:** AI có thể phân tích lượng lớn dữ liệu sinh học để xác định các protein và con đường liên quan đến bệnh tật.
* **Thiết kế các phân tử thuốc mới:** AI có thể tạo ra các phân tử thuốc mới với các đặc tính mong muốn.
* **Dự đoán hiệu quả và độc tính của thuốc:** AI có thể dự đoán cách một loại thuốc sẽ hoạt động trong cơ thể và liệu nó có gây ra tác dụng phụ hay không.
* **Tối ưu hóa quy trình sản xuất thuốc:** AI có thể giúp các nhà khoa học tối ưu hóa quy trình sản xuất thuốc, giảm chi phí và tăng hiệu quả.
**Thách thức và cơ hội**
Mặc dù AI có tiềm năng to lớn trong phát triển thuốc, nhưng vẫn còn một số thách thức cần được giải quyết. Một trong những thách thức chính là nhu cầu về dữ liệu chất lượng cao. Các mô hình AI cần được đào tạo trên lượng lớn dữ liệu để đưa ra dự đoán chính xác.
Một thách thức khác là nhu cầu về các nhà khoa học có chuyên môn về cả AI và sinh học. Để tận dụng tối đa tiềm năng của AI trong phát triển thuốc, cần có sự hợp tác chặt chẽ giữa các nhà khoa học từ các lĩnh vực khác nhau.
Bất chấp những thách thức này, AI có tiềm năng cách mạng hóa quá trình phát triển thuốc. Bằng cách sử dụng AI, các nhà khoa học có thể đẩy nhanh quá trình khám phá thuốc, giảm chi phí và cuối cùng là mang lại các loại thuốc mới, hiệu quả hơn cho bệnh nhân.
Paperium
Đăng ngày 28/5
• Được xuất bản lần đầu tại paperium.net
Theo dõi các trình theo dõi: Phân tích tình hình hiện tại trong theo dõi đa đối tượng (Multiple Object Tracking)
#ai
#deeplearning
#computerscience
#machinelearning
AI (Loạt bài gồm 3296 phần)
1
Học tập của tác nhân thông qua kinh nghiệm ban đầu (Agent Learning via Early Experience)
2
MM-HELIX: Tăng cường suy luận phản xạ chuỗi dài đa phương thức bằng nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng (MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization)
...
3292 phần khác...
3
MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái (MemMamba: Rethinking Memory Patterns in State Space Model)
4
UniVideo: Hiểu, tạo và chỉnh sửa video thống nhất (UniVideo: Unified Understanding, Generation, and Editing for Videos)
5
VideoCanvas: Hoàn thiện video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện trong ngữ cảnh (VideoCanvas: Unified Video Completion from Arbitrary Spatiotemporal Patches via In-Context Conditioning)
6
DreamOmni2: Chỉnh sửa và tạo dựa trên hướng dẫn đa phương thức (DreamOmni2: Multimodal Instruction-based Editing and Generation)
7
Từ cái gì đến tại sao: Một hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng (From What to Why: A Multi-Agent System for Evidence-based Chemical Reaction Condition Reasoning)
8
Nhận thức siêu việt tăng cường các mô hình suy luận: Học tăng cường tự điều chỉnh (Meta-Awareness Enhances Reasoning Models: Self-Alignment Reinforcement Learning)
9
Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn (LLM) ngữ cảnh dài (When Thoughts Meet Facts: Reusable Reasoning for Long-Context LMs)
10
Các token xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng (Low-probability Tokens Sustain Exploration in Reinforcement Learning with Verifiable Reward)
11
Điệu nhảy liên kết: Cùng huấn luyện các tác nhân để hợp tác vì sự an toàn (The Alignment Waltz: Jointly Training Agents to Collaborate for Safety)
12
Tối ưu hóa chính sách tương đối nhóm không cần huấn luyện (Training-Free Group Relative Policy Optimization)
13
Tăng cường lai: Khi phần thưởng thưa thớt, dày đặc sẽ tốt hơn (Hybrid Reinforcement: When Reward Is Sparse, It's Better to Be Dense)
14
NewtonBench: Đánh giá khám phá luật khoa học tổng quát trong các tác nhân LLM (NewtonBench: Benchmarking Generalizable Scientific Law Discovery in LLM Agents)
15
ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao theo thời gian thực với biểu diễn cảnh có cấu trúc (ARTDECO: Towards Efficient and High-Fidelity On-the-Fly 3D Reconstruction with Structured Scene Representation)
16
DeepPrune: Mở rộng song song không có sự dư thừa giữa các dấu vết (DeepPrune: Parallel Scaling without Inter-trace Redundancy)
17
Lần thử đầu tiên quan trọng: Xem xét lại vai trò của sự phản ánh trong các mô hình suy luận (First Try Matters: Revisiting the Role of Reflection in Reasoning Models)
18
LLM học cách lừa dối một cách vô ý: Sự sai lệch xuất hiện trong sự không trung thực từ các mẫu sai lệch đến tương tác thiên vị giữa con người và AI (LLMs Learn to Deceive Unintentionally: Emergent Misalignment in Dishonesty from Misaligned Samples to Biased Human-AI Interaction)
19
UniMMVSR: Một khung đa phương thức thống nhất cho siêu phân giải video xếp tầng (UniMMVSR: A Unified Multi-Modal Framework for Cascaded Video Super-Resolution)
20
NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu (NaViL: Rethinking Scaling Properties of Native Multimodal Large Language Models under Data Constraints)
21
CoMAS: Hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác (CoMAS: Co-Evolving Multi-Agent Systems via Interaction Rewards)
22
PickStyle: Chuyển đổi kiểu video sang video với bộ điều hợp kiểu ngữ cảnh (PickStyle: Video-to-Video Style Transfer with Context-Style Adapters)
23
UNIDOC-BENCH: Một tiêu chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu (UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG)
24
InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM (InstructX: Towards Unified Visual Editing with MLLM Guidance)
25
LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình hóa phần thưởng (LongRM: Revealing and Unlocking the Context Boundary of Reward Modeling)
26
Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các nhiệm vụ dài hạn (Learning on the Job: An Experience-Driven Self-Evolving Agent for Long-Horizon Tasks)
27
Tăng cường các mô hình khuếch tán bằng tối ưu hóa ưu tiên nhóm trực tiếp (Reinforcing Diffusion Models by Direct Group Preference Optimization)
28
Kiểm soát tạo video chuyển văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao (Taming Text-to-Sounding Video Generation via Advanced Modality Condition and Interaction)
29
Kích hoạt điều hòa Entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt như (Entropy Regularizing Activation: Boosting Continuous Control, Large Language Models, and Image Classification with Activation as)
30
Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các token chức năng (Memory Retrieval and Consolidation in Large Language Models through Function Tokens)
31
Tái chế các điểm kiểm tra được đào tạo trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để đào tạo trước mô hình ngôn ngữ lớn hiệu quả (Recycling Pretrained Checkpoints: Orthogonal Growth of Mixture-of-Experts for Efficient Large Language Model Pre-Training)
32
GCPO: Khi độ tương phản thất bại, hãy chọn vàng (GCPO: When Contrast Fails, Go Gold)
33
UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn (UP2You: Fast Reconstruction of Yourself from Unconstrained Photo Collections)
34
OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác toàn thân hình người và tương tác cảnh (OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction)
35. DexNDM: Thu hẹp khoảng cách thực tế cho khả năng xoay vật khéo léo trong tay thông qua mô hình động lực học thần kinh khớp.
36. A^2Search: Hỏi đáp nhận biết sự mơ hồ với học tăng cường.
37. Học cách định tuyến LLM từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi.
38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn.
39. R2RGEN: Tạo dữ liệu 3D từ thực tế đến thực tế để thao tác tổng quát hóa không gian.
40. Drive&Gen: Đồng đánh giá các mô hình lái xe và tạo video đầu cuối.
41. Vượt ra ngoài các giá trị ngoại lệ: Một nghiên cứu về các bộ tối ưu hóa dưới lượng tử hóa.
42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh.
43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic.
44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán.
45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định.
46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ.
47. SciVideoBench: Đánh giá suy luận video khoa học trong các mô hình đa phương thức lớn.
48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều chỉnh theo điểm số.
49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động.
50. OpenRubrics: Hướng tới tạo Rubric tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM.
51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo lấy camera làm trung tâm.
52. D2E: Mở rộng tiền huấn luyện thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện.
53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác.
54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM.
55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn!
56. R-Horizon: Mô hình suy luận lớn của bạn có thể đi xa đến đâu về chiều rộng và chiều sâu?
57. Webscale-RL: Đường ống dữ liệu tự động để mở rộng dữ liệu RL đến cấp độ tiền huấn luyện.
58. SpaceVista: Suy luận không gian trực quan mọi quy mô từ mm đến km.
59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn.
60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh lại độ tin cậy.
61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó.
62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người.
63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả.
64. Cầu nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách sử dụng độ phức tạp ngoài tổng quát hóa phân phối.
65. Biến đổi Gaussian lũy tiến với An.
Nguồn tin: Dev.to Machine Learning — Tác giả: Paperium. Bản dịch tiếng Việt do AI thực hiện, có thể có sai sót.
