期刊阅读
Nature Machine Intelligence：近似语义蕴含的蛋白质功能预测
该研究表明，与最先进的方法相比，该方法有效地利用了基因本体（GO）的背景知识，并改善了蛋白质功能预测。
【佳作推荐】 百度科研团队NMI期刊论文：一种使用蛋白质语言模型进行结构预测的新方法
作者提出了一种无需MSA搜索的蛋白质结构预测方法——HelixFold-Single。
【佳作推荐】佛罗里达国际大学Narasimhan小组NMI论文：使用Transformer网络评估蛋白结合界面
佛罗里达国际大学Narasimh小组对MaSIF工程架构加以改进，提出了一个深度学习模型，即蛋白界面打分Transformer模型，用于准确高效地评估蛋白-蛋白对接。
英国谢菲尔德大学吕海平小组NMI论文：基于双线性注意力网络预测药物-靶标相互作用
本项工作提出一种名为DrugBAN的新型深度学习算法，用于预测药物-靶标相互作用。
Nature子刊：湖南大学彭绍亮团队在基于多模态网络表征学习的药物发现方法研究取得重要进展
该研究探索发现了基于生物网络的多模态网络表征学习技术，为缺乏生物或临床标注数据的药物发现提供了新的研究思路。
Nature Machine Intelligence：同济大学刘琦团队开发基于元学习的AI模型，用于抗原-TCR亲和力识别及肿瘤新生抗原免疫原性预测
MHC-多肽复合物与TCR亲和力的计算识别（pMHC-TCR binding recognition）是揭示肿瘤、自身免疫性疾病和病毒感染性疾病等疾病发生发展机制的重要手段。
Nature子刊：多用途深度学习方法sciPENN，可预测、插补scRNA-seq、CITE-seq蛋白质表达
综上所述，研究团队开发了sciPENN深度学习模型，可以预测和估算蛋白质表达，集成多个CITE-seq数据集，量化预测和估算不确定性。
Nature子刊：多用途深度学习方法sciPENN，可预测、插补scRNA-seq、CITE-seq蛋白质表达
研究团队开发了sciPENN深度学习模型，可以预测和估算蛋白质表达，集成多个CITE-seq数据集，量化预测和估算不确定性。
Nature Machine Intelligence：陆路团队合作开发基于人工智能技术的抗体研究模型
如何快速、精准预测未知抗体的中和能力及其作用靶点，在传统的抗体药物研发领域中仍需进一步突破的关键科学问题。
Nat Mach Intell：人工智能（AI）准确预测人类对新药的反应，未来替代动物实验？
名为CODE-AE的新模型可以筛选新型类药化合物，准确预测对人体的疗效。在测试中，它还能够在理论上为超过9000名患者确定能够更好地治疗他们病情的个性化药物。科学家们预计该技术将大大加速药物发现和精准
Nat Mach Intel：斯坦福李飞飞团队认为数据设计和数据质量是可信AI的关键
在以模型为中心的AI开发中，数据集通常是固定的和给定的，重点是迭代模型结构或训练程序以提高性能。这推动了建模方面的大量研究进展，而现在在许多任务中，改进模型的增量收益正在减少。
Nat Mach Intell：人工智能（AI）在新冠检测中几乎全体失灵了？294款AI工具不适用于临床
自新冠疫情爆发以来，世界各地的研究团队开发了各种人工智能（AI）工具来帮助检测新冠病毒或者对新冠病毒的感染情况进行预测。但是很不幸，来自荷兰马斯特里赫特大学和英国剑桥大学的两个研究团队分别独立对数百种
