MolarData|AI领域资讯速递

加拿大多伦多大学刘新宇团队另辟蹊径，用化学方法把活体秀丽隐杆线虫 “大脑” 与肌肉系统的连接切断，再利用光遗传学和微机器人控制技术实现对单个活体线虫爬行状态的闭环控制，可一次性灵活穿越微型迷宫。

在做该研究之前，该团队已经对秀丽线虫微操作领域研究多年，研发了针对自由爬行活体线虫的机器视觉识别和跟踪算法，全自动线虫显微注射系统，以及用于高速线虫筛选的微流控系统。

该研究成果具有两大突出亮点：第一，该团队揭示了秀丽隐杆线虫能够持续向前蛇形爬行的驱动规律。第二，如何通过机器视觉反馈控制算法实现秀丽隐杆线虫爬行闭环控制。值得关注的是，该团队对秀丽隐杆线虫实现了点对点的闭环位置控制和方向控制。

首先，可控制线虫从任意 A 点爬行至任意 B 点；其次，不论线虫初始爬行方向如何，都可以通过视觉反馈算法将他的爬行方向调整成想要的方向。通过给线虫规划一个爬行轨迹图，就能控制它一次性穿过一个微型迷宫，顺利到达目的地。

未来，该团队将会对秀丽隐杆线虫活体的基因结构进行改造，使它的麻醉过程重复性更好，可以很大程度提高线虫控制的成功率；另外该团队将与 Mei Zhen 教授和其他生物线虫实验室合作，将该实验技术和平台应用到线虫基础生物学创新研究。

（来源：DeepTech深科技）

上海科技大学郑杰教授课题组在2021年7月份发表在《Bioinformatics》上的一篇文章《KG4SL: knowledge graph neural network for synthetic lethality prediction in human cancers》，使用了知识图神经网络方法来进行癌症合成致死的预测任务。

合成致死(synthetic lethality，SL)是发现抗癌药物靶点的一个有前途的方法。本文提出了一种新的基于图神经网络(GNN)的KG4SL模型，将知识图(KG)消息传递纳入到图神经网络预测中。

在此，作者提出了一种新的基于kgnn的SL预测方法KG4SL，该方法利用KG MP作为后端。作者通过在KG中注入各种可能与SL相关的生物过程、疾病、化合物等因素来解决独立性问题。模型由三部分组成。在第一部分中，作者从每个基因的原始KG推导出一个基因特异性子图。在第二部分中，作者在基因特异性子图上进行MP，自动将基因与可能在识别SL pair中起决定性作用的因素关联起来。在第三部分中，作者定义了一个以监督方式重构基因-基因相似度的译码器。这是第一个将KG与GNN集成用于SL预测的框架。

该模型利用包括基因、化合物、疾病、生物过程在内的11种实体和24种可能与SL相关的关系构建，通过对KG进行信息传递，有助于利用独立性问题，避免人工特征工程。作者的模型在AUC,AUPR和F1指标上优于所有最先进的baseline方法。作者进行了大量的实验，将KG4SL与无监督的TransE模型、一个普通的图卷积网络模型以及它们的组合的比较，证明了将KG纳入GNN中对SL预测的显著影响。

（来源：DrugAI)

近日，一位美国男子 Joshua Barbeau 在未婚妻去世后，重建了一个AI聊天机器人以复刻死去的未婚妻。

在旧金山纪事报的一篇报道中，Joshua详细介绍了 Project December 如何重现他与已故未婚妻交谈的体验。 这是一款使用人工智能技术创建超现实聊天机器人的软件。他所要做的就是插入未婚妻之前的社交媒体信息，并提供一些背景信息，然后AI模型可以惊人地准确度模仿他的未婚妻。Project December 由 OpenAI 的 GPT-3 提供支持。通过「投喂」大量人造文本数据集，GPT-3 可以模仿人类写作，可以生成新闻稿、论文、信件等内容。

在与 Jessica Pereira 的 AI 模拟聊天仅两三分钟后，Joshua 已经对机器人的语言能力感到惊叹。 尽管对魔法的台词AI的反应是不正确的(他的前未婚妻喜欢魔法)，但有很多相似之处，让Joshua强烈地想起了她。

2019年9月，78岁的美国作家 Andrew Kaplan 同意成为「AndyBot」，即成为全球首个「数字人类」，在云上永生。 未来，卡普兰的子女和后代，可以通过Siri、亚马逊Alexa或谷歌Home等语音助手与他互动，即使在他肉身去世很久之后，仍可以听他讲述一生的故事，并向他汲取人生建议。

(来源：新智元）

光学光谱已被证明是食品质量和安全评估的有力工具光谱数据纷杂多样，在现代化大环境下广泛的食品产品中，产生了一个具有挑战性的后处理问题。最近，机器学习技术已经被应用于食品质量的预测和评估等多种食品加工需求。一篇最近由布鲁塞尔自由大学的I. Magnus等人前段时间发表在Food Control上的一篇文章旨在用于无损产品鉴定的传统数据分析处理技术基础上联合机器学习新型算法。

本文的目标是将良好的核桃和其他不需要的产品(异物，坚果壳，模具等)之间进行最佳区别，基于使用反射的机器学习处理和样本的荧光光谱。首先对光谱数据 进行可视化分析，然后将该方法与机器学习相结合，给出分类结果。机器学习分析的目的是设计一个二值分类器，能够从所有类型的不需要的样本中区分优质核桃，使用可用的光谱数据。为了确定光谱数据中最显著的特征，采用序列前向搜索(Sequential Forward Search, SFS)算法。与基于主成分分析或偏最小二乘 负载的经典自动化选择技术相比，本文的性能指标可提高高达 80%。

（来源：FoodAI)

深度学习两巨头 Bengio 和 LeCun 在 ICLR 2020 上点名 Self-Supervised Learning 是 AI 的未来。在下面这篇文章中，作者专为目标检测任务“量身定制”了对比学习框架DetCo。

为了能够使得对比学习框架能够在detection、segmentation、pose estimation等下游任务上也能表现出非常好的性能。本文首先研究了最新的自监督方法存在的图像分类精度与目标检测精度之间的不一致性 。然后，作者提出了三种的practice ，以适应目标检测任务。最后，根据这些practice，作者设计了DetCo 。

作者详细分析了最近的自监督学习方法的图像分类和目标检测方法的性能，发现分类任务的performance和检测任务基本不一致。作者对比了监督的ResNet50、Relative-Loc、MoCo v1、MoCo v2和SwAV。证明了当以前的自监督学习表示被转移到下游任务时，图像分类和目标检测之间准确性的不一致；提出了一种新的检测友好自监督方法，DetCo，它能够结合多个全局和局部对比损失，以提高目标检测任务中对比学习的特征表示；基于Palcal VOC、COCO和Cityscapes数据集，当转移到检测、分割、姿态估计等下游任务中时，DetCo优于以前的SOTA方法。

（来源：极市平台）