深圳研究生院信息工程学院田永鸿、陈杰研究团队AI4S新进展登《自然·机器智能》

科技周边小白一枚，正在不断学习积累知识，现将学习到的知识记录一下，也是将我的所得分享给大家！而今天这篇文章《深圳研究生院信息工程学院田永鸿、陈杰研究团队AI4S新进展登《自然·机器智能》》带大家来了解一下##content_title##，希望对大家的知识积累有所帮助，从而弥补自己的不足，助力实战开发！

2024年诺贝尔物理学奖和化学奖双双授予AI领域，凸显了AI for Science (AI4S) 的蓬勃发展，并预示着科学研究范式的变革。 信息工程学院田永鸿、陈杰团队长期致力于AI4S研究，其成果曾入围2022年度戈登贝尔特别奖，并荣获多项国家级和省级奖项。近日，该团队在《自然·机器智能》发表最新研究成果，再次证明AI在自然科学研究中的巨大潜力。

论文发表界面截图

研究突破：

该研究针对病毒进化预测这一难题，提出了一种名为E2VD的进化驱动力预测框架。其亮点在于：

1. 定制化蛋白质语言模型： 团队开发了针对进化预测任务定制的蛋白质语言模型，并设计了相应的预训练策略和数据集，优化了模型在预训练和下游任务之间的平衡。

2. 跨病毒类型预测： E2VD模型能够预测多种病毒（包括新冠、流感、寨卡和艾滋病病毒）的进化轨迹，实现了跨病毒类型和跨毒株的通用预测。

3. 突变相互作用网络重建： 模型包含一个突变相互作用网络重建模块，利用动态粒度注意力机制识别关键motif模式，并采用多任务焦点损失函数，提升了预测精度和模型的通用性。

4. 多尺度进化预测： E2VD能够预测不同尺度的病毒进化趋势，未来可应用于疫苗和蛋白类药物设计，提高设计效率和可控性。

研究团队基于达尔文进化论和表观遗传学，从进化论视角出发，解决了病毒进化预测中“少数位点突变”和“稀少有益突变”两大难题。通过“微弱突变放大”和“稀少有益突变挖掘”策略，E2VD模型显著提升了预测精度，将稀少有益突变的预测精度从13%提升至80%。 模型在不同病毒类型和毒株上的泛化能力也得到了验证。

E2VD模型架构

跨病毒类型和跨毒株的泛化性能

该研究由北京大学信息工程学院田永鸿、陈杰团队完成，聂志伟和刘旭东为共同第一作者。 E2VD模型有望成为疫苗和药物研发的强大工具，加速对物种复杂进化机制的探索。

文中关于北京大学,ai4s,e2vd的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《深圳研究生院信息工程学院田永鸿、陈杰研究团队AI4S新进展登《自然·机器智能》》文章吧，也可关注golang学习网公众号了解相关技术文章。