此篇论文综述了近期在人工智能方法论中应用于药物发现的最新进展，并将其分为分子序列和几何图形的表征学习、基于数据驱动的推理以及基于知识的推理三个相对稳定的子领域，并探讨了未来可能的研究方向及挑战。

Feb, 2022

BioDiscoveryAgent 是一个基于大型语言模型的代理，通过利用其丰富的背景知识和推理能力，加速科学探索。它在设计基因干预实验中表现出色，能够在不需要训练机器学习模型或显式设计获取函数的情况下，利用其生物学知识独特地设计新的实验。与现有特定训练任务的贝叶斯优化基准相比，BioDiscoveryAgent 在检测所需表型方面平均提高了 18％。它还能准确预测基因组合来干扰实验设计，并具有搜索生物医学文献、执行代码以分析生物数据集，并请另一代理对其预测进行评估的功能。总之，BioDiscoveryAgent 代表了计算生物实验设计中可解释性的全新范例，具备增强科学家能力的潜力。

May, 2024

该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。

Jun, 2023

药物发现正在适应新技术，如数据科学、信息学和人工智能（AI），以加速有效治疗的开发，同时减少成本和动物实验。 AI 正在改变药物发现的方式，成功的药物发现需要优化与药理动力学、药代动力学和临床结果相关的特性。本文讨论了 AI 在药物发现的三个支柱（疾病、靶点和治疗模式）中的应用，重点关注小分子药物。

Jul, 2023

自动化整个科学方法论需要数据归纳的自动化以及实验从设计到实施的自动化，机器人科学家是将人工智能和实验室机器人相结合，具备进行真实世界实验检验假设的能力。本章探讨了机器人科学家在科学哲学中的基本原理，并将其活动与机器学习范式相对应，认为科学方法与主动学习有类似之处。我们使用以往机器人科学家的案例以及 Genesis 的案例进行实证，Genesis 是一种面向系统生物学研究的下一代机器人科学家，具备 1000 个计算机控制的微生物反应器的微流控系统和基于可控词汇和逻辑的可解释模型。

Jun, 2024

多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策，本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法，通过验证该系统在临床肿瘤学场景中的表现，证实了语言模型能够作为专科、以患者为中心的临床助手的有效性。

Apr, 2024

本文讨论了人工智能在医疗领域中的应用，特别是在医学图像分析中的最新进展、现有标准以及应用人工智能所需考虑的伦理问题和最佳实践。我们探讨了人工智能的技术挑战和伦理挑战，以及在医院和公共组织中部署人工智能的影响和关键技术措施。最后，我们提出了未来解决人工智能在医疗应用中的伦理挑战的建议和方向。

Apr, 2023

本文综述了人工智能在药物发现领域中的优势、挑战、局限性及其可能的应对策略，讨论了数据增强、可解释性人工智能和将人工智能与传统实验方法相结合的潜在优势。总的来说，本文强调了人工智能在药物发现中的潜力，并提供了在这个领域实现其潜力的挑战和机会的见解。

Dec, 2022

人工智能对科学研究的转变影响进行了探索，突出了人工智能革新科学家工作的十种方式，包括强大的引用工具、对研究问题的改进理解、优化研究设计、数据生成和数据转换、高级数据分析和人工智能辅助报告，并且强调了人工智能可以增强科学中的人类创造力但不能取代它。

Jul, 2023

基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

Oct, 2022