锌指结构域序列的进化生成模拟——遗传算法在蛋白质结构研究中的应用

遗传算法(Genetic algorithms, GA)是具有高频率的搜索机制的算法.遗传算法不仅为蛋白质结构研究提供了一种全局自适应搜索算法,使能量最低状态(按热力学假说,蛋白质的天然状态的能量最低)的搜索更加方便,而且为我们提供了一种新的想法和研究思路.通过应用遗传算法对锌指结构域序列进行进化模拟,成功地从随机产生的氨基酸序列中,进化生成了一些潜在的锌指结构域序列,不仅在一定意义上证明了氨基酸序列起源的随机性,而且对遗传算法在大规模解空间的搜索能力进行了测试.     

锌指结构域序列的进化生成模拟——遗传算法在蛋白质结构研究中的应用

<正> 遗传算法(Genetic algorithms, GA)是具有高频率的搜索机制的算法.遗传算法不仅为蛋白质结构研究提供了一种全局自适应搜索算法,使能量最低状态(按热力学假说,蛋白质的天然状态的能量最低)的搜索更加方便,而且为我们提供了一种新的想法和研究思路.通过应用遗传算法对锌指结构域序列进行进化模拟,成功地从随机产生的氨基酸序列中,进化生成了一些潜在的锌指结构域序列,不仅在一定意义上证明了氨基酸序列起源的随机性,而且对遗传算法在大规模解空间的搜索能力进行了测试.     

面向分子科学的数据智能

分子科学是化学的核心,也是生物、材料、药学等学科的基础.传统的分子科学研究通过实验或理论手段进行,研究成本高、周期长,难以处理高复杂度体系.随着大数据时代的到来,数据驱动的人工智能研究已成为继实验、理论和模拟之后的第4种科学研究范式.数据驱动的机器学习凭借其快速高效的数据处理能力,在分子科学领域展现出巨大的发展潜力.尤其是在分子性质预测、分子设计、化学反应预测及逆合成、量子化学计算、自动化合成等领域获得了广泛应用.本文首先介绍面向分子科学数据智能研究过程中的3个关键部分,即分子科学开放数据集、分子描述符和机器学习算法;然后,列举机器学习在不同分子科学研究方向中的重要应用案例;最后,分析讨论该研究领域可能存在的挑战及潜在发展方向.     

进化计算的系列创新成果

据国家自然科学基金委员会2006年4月11日报道，由焦李成、康立山、何振亚和谢涛等教授承担的重点项目“进化计算理论、方法及其应用”。在免疫克隆选择计算、组织协同进化计算、多智能体进化计算、量子进化计算、进化优化与进化建模、进化神经网络等方面有较大创新，并成功应用于多个基准问题和具有重要应用背景的优化问题。     

磁性液体数值模拟研究进展

磁性液体(magneticfluid)是一种力学性能受磁场调控的磁流变智能材料,在医学与工业生产中有广泛应用.近年来,随着计算机性能的发展,数值模拟日益成为研究磁性液体力学行为细观机理的重要方法.本文综述并评价了磁性液体理论与数值模拟领域的最新研究进展,介绍了磁性液体在剪切、挤压和阀模式3种工作模式下的力学模型,对磁性液体的现有模拟方法进行了总结,讨论了磁性液体数值模拟的研究现状,并展望了数值模拟的发展前景.磁性液体的数值模拟亟待开展以下三方面研究:(1)建立涵盖多种微观相互作用的精细理论模型,研究颗粒表面包覆、添加剂等非磁性成分对磁流变效应的影响;(2)将不同数值模拟方法相结合,建立磁性液体的多尺度模型,进一步提高模拟精度,利用机器学习协调不同尺度的数值模拟,压缩计算量,已成为一种可行思路;(3)将力学模型与电、磁学模型相结合,发展多尺度、多物理场耦合的数值模拟方法,模拟磁性液体其他物理性能.最终为高性能磁性液体的研制及其应用研究提供技术和理论支撑.     

蚁群算法的研究进展评述

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统,该算法采用分布式并行计算和正反馈机制,易于与其他方法结合,目前已经在众多组合优化领域中得到广泛应用。本文在介绍回顾蚁群算法发展历史的基础上,简要评述了部分具有代表性的蚁群算法改进模型及其应用情况,最后对蚁群算法在今后的研究方向作了展望。     

没有进化的微生物

没有进化的微生物孙家明编译为了搞清进化，科学界的专家们多在寻找物种变化的迹象。古生物学家通过寻找化石，将古生物与现在尚存的生物进行比较。生物学家在探索植物、动物的群体过程中，当偶尔发现一种分裂成为两种时显得异常激动。化学家和分子生物学家通过模拟生命起...     

面向合成生物学的机器学习方法及应用

机器学习的目标是设计可以根据先验知识和观测数据不断改进其性能的算法.该算法可以帮助机器从大量的数据中提取知识,从而提升其在特定任务上的性能.作为数据驱动的方法,机器学习可以有效利用高通量实验技术产生的大批量生物数据,实现合成生物体的功能预测与智能化设计,改变合成生物学的研究范式.本文首先介绍机器学习在合成生物学领域广泛应用的几个模型及方法,如支持向量机、神经网络、生成式对抗网络、深度强化学习等.然后介绍机器学习方法在合成生物学领域的典型应用,如启动子预测、酶催化设计、代谢途径构建、基因线路设计等.本文综述面向合成生物学的机器学习方法及应用,并试图启发读者如何选择和设计机器学习方法用于合成生物学的研究.     

突破通过机器进行学习的极限

学习能力是人类智能的根本特征.2016年3月,Google公司的Alpha Go把深度神经网络与蒙特卡罗树形搜索结合起来,以4胜1负的成绩战胜了围棋世界冠军韩国的李世石.这一结果标志人工智能取得了重大进展.本文重点介绍Alpha Go采用的机器学习方法,包括强化学习、深度学习、深度强化学习,分析存在的问题和最新的研究进展.为了突破通过计算机进行学习的极限,提出认知机器学习,列举可能的研究方向开展研究,使机器智能不断进化,逐步达到人类水平.     

超表面多维光场调控及基于机器学习的优化

作为一种亚波长二维人工微结构,超表面在更加集成化的平台上实现了新的光学现象及对光场灵活、多维的调控.与光场单维调控的超表面相比,能够实现光场多维调控的超表面在许多实际应用中都展现出明显的优势,例如光学全息成像、超分辨成像及矢量光生成等.然而,实现多维调控的超表面通常具有更复杂的设计,基于机器学习优化可以有效降低超表面的设计难度并实现更高精度的多维调控,因此受到广泛的关注.本文首先对实现多维调控的超表面进行了分类和总结,随后详细介绍了基于机器学习的新型光场调控方法.基于机器学习优化的超表面进一步增大了光场调控的自由度,有利于集成光学器件的发展.     

基因改良与基因革命

基因革命是相对于生物包括人的自然基因进化而盲的。如果说人类和动植物经过千百万年在自然进化过程中形成的各种基因是一种基因改良的结果的话,那么通过现在的基因知识对基因做去除、修补、修饰、增减等等就是一种基因的革命。因为这一过程相对于人和生物的自然进化而言,是极其迅速而强烈的,也可以说是突发的。例如,华裔科学家钱卓改变老鼠体内的一个基因而使得变革了基因的老鼠变得比正常老鼠聪明一些,这一过程经过了     

踏踏实实地研究人工智能

今天人工智能的巨大成就表现在机器学习上取得了突破性的发展及"智能+"推动了人工智能的普适应用。人工智能成为世界科技发展的一个新高地,各国对此都作出战略布局。同时,人工智能的发展也向我们提出了新的挑战,在伦理、社会治理等方面引入了新的课题。在展望人工智能光明前景的同时,我们也要清楚地认识到:人工智能,特别是机器学习,它基本的方法、基本的思路还是比较简单和粗糙的。现在的人工智能是着重于智能外延的人工智能,也就是说着重于模拟人的智能的外在功能,而人工智能的发展还有待于在智能内涵的理解上的不断进展。本文就此对人工智能的发展作一个抛砖引玉的讨论,也对机器学习的研究方向作探讨。     

数据驱动的锂离子电池全生命周期状态参数评估

机器学习作为人工智能核心技术之一,通过对当前数据的学习找出复杂问题之间的关系而被广泛应用,机器学习作为研究锂离子电池状态参数估计的新技术,相关报道也层出叠见.本文首先回顾了传统模型中的电化学模型和等效电路模型在电池状态估计的研究进展;然后基于这些模型当前的局限性,回顾、分析、比较了不同机器学习模型在电池状态参数估计中的应用进展及取得的成绩;最后指出了当前基于数据驱动的人工智能方法在锂离子电池状态参数评估过程中所面临的问题,并对未来发展提出了建议.     

面向无人移动平台的自主进化学习研究进展与展望

无人移动平台是改变未来人类生产生活方式和战争形态的新质科技力量,其核心在于利用人工智能技术提升无人移动平台的自主化和智能化水平.然而,现阶段的人工智能模型参数、结构、推理链等核心要素固化,当无人移动平台面对复杂多变的对象、环境、任务以及资源受限的硬件平台,泛化和外推能力严重受限,无法满足实际应用需求.为了攻克这一技术难题,受生命智能体进化机制启发,本文提出了面向无人移动平台的自主进化学习方法,并根据进化模式的不同,将智能模型的自主进化过程划分为即时性进化、长时性进化和推理链进化3个层次;详细讨论了每个层次智能模型进化方法的技术路线和优缺点;最后,对智能模型自主进化技术在无人移动平台上的应用进行了展望与分析,并指出了现阶段自主进化学习方法存在的问题以及未来的研究方向.     

机器学习与计算力学的结合及应用初探

自20世纪50年代以来,随着计算机科学的不断进步,机器学习和数据科学得到了长足发展.这些技术一般依靠大量数据作支撑,通过训练过程提取出蕴藏在数据内部的抽象映射关系,目前已被成功应用于化学、生物等自然科学研究领域.近年来,这些技术也逐渐受到计算力学领域研究者的关注.本文结合作者的相关研究成果介绍了机器学习、数据科学与计算力学相结合的3种形式:第一种是与有限元方程求解方面的结合,直接应用卷积神经网络算法求解线性有限元方程;第二种方式结合有限元计算和机器学习预测复杂材料结构与力学性能的关系.本文作者应用该方法基于细观页岩扫描照片和随机建模算法,成功训练出可以有效预测细观页岩样本等效模量的卷积神经网络;第三种方式是建立基于数据驱动的计算力学方法,比如直接利用真实的材料实验数据代替材料本构模型.这些工作显示了机器学习、数据驱动在处理材料的力学实验数据、设计新型材料以及创建更高效的计算力学模型方面的广阔前景.随着计算力学的发展,未来将可能出现更多将数据科学、机器学习与计算力学相结合的应用场景,进一步开发出更加强健、高效和保真的计算力学方法.     

虚拟植物的研究进展

虚拟植物即应用计算机模拟植物在三维空间中的生长发育状况,是近20年来随着信息技术进步而迅速发展起来的研究领域,在农学、林学、生态学、遥感等众多领域有着广阔的应用前景。通过概述虚拟植物的研究意义、方法和国内外最新进展,探讨了虚拟植物模型在农业领域应用的关键问题,包括植物与环境相互作用关系的定量化及模拟机制,根系的虚拟等。对虚拟植物模型在农业领域中的应用,如通过虚拟试验对农田水分、养分利用进行精确定量化研究、作物株型设计、栽培措施优化等进行了展望。     

集成统计仿真技术和SCE-UA方法的水文模型参数优化

水文模型参数优化是模型应用和发展过程中的一个的重要环节,然而如何快速有效地估计模型参数成为当前分布式水文模型发展的一个瓶颈.针对传统方法在多参数复杂水文模型的应用不足,提出一种集成统计仿真技术和SCE-UA方法的优化方案,即采用非参数的多元自适应回归样条建立复杂水文模型的代理仿真模型进行初始优化,缩小参数优选范围,再结合全局优化算法SCE-UA方法进行参数全局优化,从而提高模型优化效率.选用淮河流域的日尺度分布式时变增益水文模型进行实例研究,采用水量平衡系数(WB)和Nash-Sutcliffe效率系数(NS)两个目标函数综合评价模拟效果.通过模型检验结果表明该方法可以实现参数的高效优化分析,且具有很好的稳健性和适应性,说明方法是有效的.     

基因的分子进化：原理与方法

Dobzansky说:“不从进化的观点看问题,生物学的一切将不可理解”。分子进化研究不仅是一种特定的学科方法,而且是一种可以广泛应用的科学理论。人类基因组计划的实施为分子进化研究赋予了重要使命,也提供了新的机遇。本文综述了分子进化的基本原理、方法和最新发现,包括同源性分析、进化速率估计、系统发育树、分子种和基因及基因家族起源等方面,并提出了展望。     

蛋白质工程的新策略——酶的体外定向进化

酶的体外定向进化是蛋白持工程的新策略,不需事先了解酶的空间结构和催化机制。而是通过模拟自然进化机制,以改进的诱变技术结合确定进化方向的选择方法,在体外改造酶基因,定向选择有价值的非天然酶,短期内可以在试管中完成自然界需要几百万年的进化过程,因此可能是发现新型酶和新的生理生化反应的重要途径。     

进化需要宽容--生物进化的新中性学说

适应性进化是一种非本质的进化.生物在本质意义上的进化必须以不受选择为前提,这一点正好与达尔文的主张相反,所以是反达尔文主义的.不选择与木村的观点相近,而且造成进化的机制也是随机固定,但木村针对的是分子水平上的中性突变,这里针对的则是生命过程的一次飞跃,所以,这不是中性学说的简单推广,而是一种新的中性学说.