XiaoMi-AI文件搜索系统
World File Search System学界
国金证券-医药健康行业研究：技术升级赋能行业应用，AI+医药健康发展有望提速-230505.pdf
DeepMind 团队于2020 年12 月发布的一种人工智能蛋白质结构预测算法AlphaFold2，被 认为具有人工智能领域里程碑性意义，解决了生物学界长达50 年的蛋白质空间结构预测 难题，改变了此前几乎只能使用X 射线晶体学和冷冻电子显微镜等实验技术确定蛋白质结 构的现状。它的原理基于最先进的深度学习算法以及进化中蛋白质结构的守恒。它使用了 大量的蛋白质序列和结构数据进行训练（如MGnify 和UniRef90 数据库、 BFD 数据库）， 并 使用了一个新的深度神经网络构架，该网络被训练为通过利用同源蛋白质和多序列比 对的信息从氨基酸序列生成蛋白质结构。 DeepMind 公司与欧洲生物信息研究所（EMBL-EBI） 的合作团队已经使用AlphaFold2 成功预测出超过100 万个物种的2.14 亿个蛋白质结构， 几乎涵盖了地球上所有已知蛋白质。这一成果标志着AlphaFold2 在结构生物学领域的突 破，因为这些预测结果中有大约35%的结构具有高精度，达到了实验手段获取的结构精度， 而大约80%的结构可靠性足以用于多项后续分析。这将有助于深入理解蛋白质的结构和功 能，为生命科学领域的研究提供更多的线索和解决方案。 AlphaFold2 应用范围广泛，未来 可能被应用于结构生物学、药物发现、蛋白质设计、靶点预测、蛋白质功能预测、蛋白质 -蛋白质相互作用、生物学作用机制等。
量子退火对网络安全的可能影响
量子退火是一种量子计算方法，可作为通用量子计算的替代方案。但是，密码学界目前并不认为量子退火对密码算法构成重大威胁。最近的研究表明，量子退火可用于流密码的有效密码分析。此外，尽管需要进行额外的分析，但使用量子退火进行密码分析似乎只需要相对较少的资源，这表明它具有实际适用性。这与 Grover 算法形成鲜明对比，后者需要具有相当深度的量子电路和数十亿个量子门。本文将探讨如果不认真对待量子退火的影响，潜在的网络安全风险。
ESA 公报 103 - MERIS - 欧洲航天局
科学原理 随着 70 年代大规模光学成像星载传感器的出现，人们发现了一种工具，可以定性但概括性地观察和监测地球表面。这些传感器的最大优点是覆盖范围广、重复率高，其中最突出的例子是高级甚高分辨率辐射计 (AVHRR)，能够及时观察不断变化的大规模现象。随着 1986 年美国沿海区域彩色扫描仪任务 (CZCS) 的结束，科学海洋学界要求一种新的太空海洋颜色观测系统，以便更准确地测定海洋成分，例如叶绿素、悬浮物和腐烂的有机物，从而提供
《弗兰肯斯坦》告诉我们关于基因改造的什么
摘要 玛丽·雪莱的著名小说《弗兰肯斯坦》经常被誉为第一部真正的科幻小说。在我的论文中，我使用《弗兰肯斯坦》中对生命创造的预示性视角来评估儿童基因改造的道德性。CRISPR-Cas9 正迅速成为我们这个时代再生技术中最重要的发展，许多人认为它是一种设计我们孩子的方法。我反对这种“设计婴儿”的趋势，特别是对修改未来儿童非疾病特征的合理性提出了质疑，并鼓励科学界和哲学界采取更谨慎的态度。
不确定性评估 - NPL 出版物
本指南提供了在计量学中评估不确定性的最佳实践，并通过概率处理为该主题提供支持。它由两个主要考虑因素驱动。首先，尽管《测量不确定度表达指南》（GUM）是主要的不确定度评估指南，可望应用范围非常广泛，但它主要认可的方法存在一些局限性。另一个原因是，根据作者与计量学界从业人员的大量接触，显然会遇到受这些限制影响的重要问题。进一步的考虑是，在实践中遇到的测量模型超出了模型类型（即具有单个（标量）输出量的测量函数）的范围，而这正是 GUM 中介绍的重点。
评论文章工程蛋白质开关，用于外源控制基因表达
合成生物学界对调节基因表达的新方法存在持续的需求。蛋白质开关感知生物学输入并以功能输出响应，代表了满足这种需求的一种方法。尽管已经有大量的转录因子和信号传导蛋白可用，但现有开关的库缺乏某些应用所需的基板特异性和活动。因此，已经将大量技术应用于具有新颖性能的工程师开关。在这里，我们通过将它们广泛地组织为三种方法来讨论其中一些技术。我们展示了如何通过诱变，域交换或域插入来创建新颖的开关。然后，我们将其贴上来讨论它们作为生物剂和复杂遗传回路的用途。
迈向人工智能的知识生产方法和资源
可以从对话代理越来越受到学界与产业界重视的趋势中得到印证。然而现有的对话系统，无论是采用模板工程，还是神经网络seq2seq机器学习模式，大多预设了词汇（或词语边界）的“真实”存在，及其意义的静态对应关系。尽管如此，正如功能语言学所揭示的，“形式与意义对”的本质是约定俗成的，就像实际的自发对话语言一样。按照Wray（2005）的观察，我们日常语言中大量的词汇是公式化的，似乎除了预制之外，还以（半固定的）块形式存储。因此，在提出的词典中，我们进一步融入了“公式序列”，可能更好地涵盖词汇知识仓储。
