现代生命科学研究越来越依赖于人工智能方法来模拟生物系统，主要集中在使用机器学习模型上。然而，机器学习在生物科学中的广泛应用表明其与传统科学探究方法存在显著差异，这种相互作用对未来的科学研究具有重要意义，但却受到较少关注。在本研究中，我们借鉴认识论工具集，将机器学习在生物科学中的最新应用放入现代哲学理论的框架下，以识别可指导机器学习系统为生物现象建模和推动科学知识进展的一般原则。我们提出，科学理解作为信息压缩、定性可理解性和依赖关系建模的概念，为解释机器学习介导的生物系统理解提供了有用的框架。通过对现代生物研究中机器学习的两个关键应用领域 —— 蛋白质结构预测和单细胞 RNA 测序的详细分析，我们探讨了这些特征迄今如何使机器学习系统推进对目标现象的科学理解，以及它们如何指导未来机器学习模型的发展，以及阻碍机器学习实现其作为生物发现工具潜力的关键障碍。考虑机器学习在生物学应用中的认识论特征将改善这些方法解决重要问题和推进对生命系统科学理解的前景。

Mar, 2024

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

科学界利用机器学习技术进行科学探索的能力正在初生阶段，然而，机器学习的原理应用正在为基础科学发现开辟新的途径，尤其在处理观测数据的复杂性方面。

May, 2024

分子技术的进展推动了与生物学和生物医学相关的数据集的巨大增长。这些进展与机器学习中的深度学习子领域相似。可微分编程工具箱中的组件使深度学习成为可能，使计算机科学家能够用灵活和有效的工具解决越来越多的问题。然而，这些工具中许多尚未充分应用于计算生物学和生物信息学领域。在这个观点中，我们对其中一些进展进行了调查，并强调它们在生命科学中的应用，以增加从业人员对将专业知识与新兴的深度学习架构工具相结合的新机遇的认识。

Jun, 2024

人工智能对生物医学研究和其他领域有着深远的影响。大脑启发式计算是多模态技术和生物医学领域的重要交叉点。该论文全面回顾了大脑启发式计算中机器学习（ML）和深度学习（DL）模型的演变、应用价值、挑战和潜在研究轨迹。

Dec, 2023

大型语言模型在科学计算应用中的应用领域和研究进行了概述，重点突出了涉及科学文献和描述物理系统的专用语言的自然语言处理的使用案例。在医学、数学和物理学领域，聊天机器人样式的应用可以与领域专家进行迭代，进行问题解决。同时，我们还对分子生物学中的专用语言进行了审查，这些语言包括分子、蛋白质和 DNA 的使用，语言模型被用于预测特性，甚至以比传统计算方法快得多的速度创建新型物理系统。

Jun, 2024

本报告总结了 Dagstuhl Seminar 22382“科学中的机器学习：桥接数据驱动和机理建模” 的讨论并提出了如何协作来推动人工智能和科学发现的新一波进展的路线图。

Mar, 2023

大数据和算法处理促进科学进步，但需要研究算法处理和认知工具的发展，以及如何在科学领域中进行有效的数据分析和模拟，以推进科学发现的速度和准确性。

Apr, 2016

我们提出了一项以任务为导向的知识检索研究议程，利用计算模型和人工智能技术，摄取科学知识的典籍，检索灵感、解释、解决方案和证据，直接增强人类在科学领域突出任务上的表现，进而革命性地推动科学进程。

May, 2022

本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

Mar, 2016