▲深度学习可以洞悉化学合成的秘密

　　人工智能工具发现了数千个与自闭症有关的基因

图片来源：《科学》杂志网站

今日视点

人工智能（AI）可谓目前科学界的头号“网红”，从沃森（Waston）机器人不到10分钟诊断出白血病，到“阿尔法狗”击败世界排名第一的围棋选手；从战场到太空，随处都可见其身影。美国《科学》杂志在近日的报道中指出，人工智能也已渗透进科研领域，正以各种方式玩转科研。

寻找新粒子的踪迹

早在上世纪80年代末，粒子物理学家就开始“摆弄”人工智能。当然，他们的领域很适合人工智能和机器学习算法“大展拳脚”，因为几乎每项实验都需要在粒子探测器获取的海量类似数据中找出微小的空间模式，而这正是人工智能的强项。在无数科学家的努力下，人工智能已“跻身”物理学研究的必备工具之列。

粒子物理学家力图使带有巨大能量的亚原子粒子相互碰撞以释放出独特的新物质微粒，从而理解宇宙的内在运行逻辑。例如，2012年，科学家们利用大型强子对撞机（LHC）发现了希格斯玻色子，这种粒子可以解释所有其他基本粒子如何获得质量。

不过，这些奇异粒子并非自带标签。在LHC，约10亿次对撞才出现1个希格斯玻色子。与此同时，它会在十亿分之一皮秒（1皮秒=万亿分之一秒）内衰变成光子对或μ介子等其他粒子。而且，碰撞中会产生很多不相关粒子，使得“重现”希格斯玻色子愈发艰难。

费米国家实验室物理学家普西帕拉萨·巴特介绍说，神经网络等算法的优势就在于从背景中筛选出信号。在粒子探测器中，光子通常会在电磁量能器中创建粒子束，电子和强子虽也如此，但它们的束流与光子的稍有不同。机器学习算法可通过发现描述束流的多个变量之间的相关性，将它们区别开来。此类算法还能将希格斯玻色子衰变产生的光子对与随机光子对区别开来。

当然，目前物理学家仍然主要依靠对基础物理的理解来发现新粒子和现象的“蛛丝马迹”，但劳伦斯伯克利国家实验室的计算机专家保罗·卡拉费拉表示，人工智能的重要性与日俱增。到2024年，研究人员将升级LHC，使其碰撞率提高10倍，届时，机器学习将在应对数据洪流方面发挥重要作用。

探寻自闭症的基因根源

对于遗传学家们来说，自闭症是一项棘手的挑战。遗传定律表明，它拥有强大的遗传因素。然而，已知在自闭症中起作用的基因变体只能解释约20%的病例，寻找可能导致自闭症的其他变体，需要从与2.5万个其他人类基因及周围DNA有关的数据中寻找线索。对于研究人员来说，这是一项艰巨的挑战。有鉴于此，普林斯顿大学计算生物学家奥尔加·特洛杨斯卡娅与纽约西蒙斯基金会合作，希望从人工智能那儿获取支持。

特洛杨斯卡娅将上百个数据集结合在一起，数据涉及哪些基因在特定人类细胞中活跃、蛋白如何相互作用、转录因子结合位点以及其他关键基因组特征位于何处等。随后，她的团队利用机器学习构建了基因相互作用的图谱，并将已确认的自闭症风险基因，同数千个与自闭症有关的未知基因进行比对，希望找出它们的相似性。此项研究标记出了另外2500个可能与自闭症相关的基因，相关成果去年发表在《自然—神经科学》杂志上。

不过，正如遗传学家最近所意识到的，基因并非“单打独斗”。它们的行为受附近数百万个非编码碱基的影响。这些非编码碱基同DNA结合蛋白以及其他因素相互作用。确认哪些非编码变体可能影响附近的自闭症基因是一个更棘手的问题。特洛杨斯卡娅的研究生周健（音译）正利用人工智能解决这一难题。

洞悉化学合成的秘密

德国明斯特大学的马金·泽格勒和其他人则正在将人工智能引入他们的“分子厨房”。他们希望，人工智能可以帮助他们应对分子制造过程中的一个关键挑战——从数百个潜在的基本模块和数千种组合方法中找出最合适的方法。

于是，泽格勒和导师马克·沃尔勒博士以及计算机学家麦克·普瑞斯博士求助人工智能。他们并没有对化学反应规则编程，而是设计了一个深度神经网络程序，可自学化学反应如何进行。随着时间的推移，这个网络学会了如何预测合成过程中某个特定步骤的最佳反应，最终它提出了从头合成分子的“配方”。

这三位科学家利用40种不同的目标分子对程序进行了测试，并与传统的分子设计程序进行比较。在两个小时内，传统方法提出了合成22.5%的分子合成方案；人工智能则完成了95%。泽格勒即将前往伦敦的一家制药企业工作，他希望用这一方法改进药物的生产过程。

美国斯坦福大学的有机化学家保罗·文德博士表示，现在判断泽格勒的方法是否有效还为时过早，但他认为，这一方法“可能会产生深远的影响”。

泽格勒说，人工智能就像化学领域的GPS导航系统，善于寻找路线，但不能自行设计并实现完整的合成过程，因而不会很快取代有机化学家。