AI ທີ່ດີທີ່ສຸດສຳລັບເຄມີສາດ: ເຄື່ອງມື, ຄວາມເຂົ້າໃຈ, ແລະເຫດຜົນທີ່ພວກມັນເຮັດວຽກໄດ້ແທ້

ປັນຍາປະດິດໄດ້ຄ່ອຍໆເຂົ້າມາສູ່ເຄມີສາດມາໄດ້ໄລຍະໜຶ່ງແລ້ວ, ແລະ - ຢ່າງງຽບໆແຕ່ໝັ້ນຄົງ - ມັນກຳລັງປ່ຽນແປງຂະແໜງການນີ້ໃນແບບທີ່ຮູ້ສຶກຄືກັບວິທະຍາສາດ. ຕັ້ງແຕ່ການຊ່ວຍຄົ້ນພົບຜູ້ສະໝັກໃຊ້ຢາທີ່ບໍ່ມີມະນຸດຄົນໃດສາມາດກວດພົບໄດ້ ຈົນເຖິງການສ້າງແຜນທີ່ເສັ້ນທາງປະຕິກິລິຍາທີ່ນັກເຄມີທີ່ມີປະສົບການບາງຄັ້ງພາດໄປ, AI ບໍ່ແມ່ນພຽງຜູ້ຊ່ວຍຫ້ອງທົດລອງອີກຕໍ່ໄປ. ມັນກຳລັງກ້າວເຂົ້າສູ່ຈຸດສົນໃຈ. ແຕ່ສິ່ງໃດທີ່ເຮັດໃຫ້ AI ທີ່ດີທີ່ສຸດສຳລັບເຄມີສາດ ໂດດເດັ່ນແທ້ໆ? ລອງມາເບິ່ງໃກ້ໆກັນ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທະຍາສາດຂໍ້ມູນ ແລະ ປັນຍາປະດິດ: ອະນາຄົດຂອງນະວັດຕະກຳ
ວິທີທີ່ AI ແລະວິທະຍາສາດຂໍ້ມູນກຳລັງປ່ຽນແປງເທັກໂນໂລຢີ ແລະທຸລະກິດທີ່ທັນສະໄໝ.

🔗 ເຄື່ອງມືວິເຄາະ AI ອັນດັບຕົ້ນໆ 10 ເພື່ອເພີ່ມພະລັງໃຫ້ແກ່ຍຸດທະສາດຂໍ້ມູນ
ແພລດຟອມທີ່ດີທີ່ສຸດສຳລັບຄວາມເຂົ້າໃຈທີ່ສາມາດປະຕິບັດໄດ້, ການຄາດຄະເນ ແລະ ການຕັດສິນໃຈທີ່ສະຫຼາດກວ່າ.

🔗 10 ເຄື່ອງມືການຮຽນຮູ້ AI ອັນດັບຕົ້ນໆເພື່ອຮຽນຮູ້ສິ່ງຕ່າງໆໄດ້ໄວຂຶ້ນ
ເລັ່ງທັກສະຂອງທ່ານດ້ວຍແພລດຟອມການຮຽນຮູ້ທີ່ມີປະສິດທິພາບ ແລະ ຂັບເຄື່ອນດ້ວຍ AI.

ສິ່ງໃດທີ່ເຮັດໃຫ້ AI ເຄມີສາດມີປະໂຫຍດແທ້? 🧪

ບໍ່ແມ່ນ AI ທັງໝົດທີ່ສຸມໃສ່ເຄມີສາດຈະຖືກສ້າງຂຶ້ນມາຄືກັນ. ເຄື່ອງມືບາງຢ່າງແມ່ນຕົວຢ່າງທີ່ເຫຼື້ອມເປັນເງົາ ເຊິ່ງຈະລົ້ມເຫລວເມື່ອທົດສອບໃນຫ້ອງທົດລອງຕົວຈິງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ບາງອັນພິສູດໃຫ້ເຫັນວ່ານັກຄົ້ນຄວ້າສາມາດປະຫຍັດເວລາໄດ້ຫຼາຍຊົ່ວໂມງໃນການລອງຜິດລອງຖືກແບບບໍ່ເຫັນແຈ້ງ ແລະ ມີປະສິດທິພາບ.

ນີ້ແມ່ນສິ່ງທີ່ມັກຈະແຍກສິ່ງທີ່ແຂງແກ່ນອອກຈາກກົນອຸບາຍ:

• ຄວາມຖືກຕ້ອງໃນການຄາດຄະເນ : ມັນສາມາດຄາດຄະເນຄຸນສົມບັດໂມເລກຸນ ຫຼື ຜົນໄດ້ຮັບຂອງປະຕິກິລິຍາໄດ້ຢ່າງຕໍ່ເນື່ອງບໍ?

• ງ່າຍຕໍ່ການໃຊ້ : ນັກເຄມີຫຼາຍຄົນບໍ່ແມ່ນນັກຂຽນໂປຣແກຣມ. ອິນເຕີເຟດທີ່ຊັດເຈນ ຫຼື ການເຊື່ອມໂຍງທີ່ລຽບງ່າຍແມ່ນສຳຄັນ.

• ຄວາມສາມາດໃນການຂະຫຍາຍ : AI ທີ່ເປັນປະໂຫຍດເຮັດວຽກໄດ້ດີກັບໂມເລກຸນຈຳນວນໜຶ່ງເຊັ່ນດຽວກັບໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່.

• ການເຊື່ອມໂຍງຂະບວນການເຮັດວຽກໃນຫ້ອງທົດລອງ : ການເຮັດໃຫ້ສະໄລ້ເບິ່ງດີນັ້ນຍັງບໍ່ພຽງພໍທີ່ຈະເປັນປະໂຫຍດແທ້ໆຈະປາກົດຂຶ້ນເມື່ອ AI ຮອງຮັບຕົວເລືອກການທົດລອງ.

• ຊຸມຊົນ ແລະ ການສະໜັບສະໜູນ : ການພັດທະນາຢ່າງຫ້າວຫັນ, ເອກະສານ ແລະ ຫຼັກຖານທີ່ໄດ້ຮັບການທົບທວນຄືນຈາກຜູ້ຊ່ຽວຊານ ເຮັດໃຫ້ມີຄວາມແຕກຕ່າງຢ່າງໃຫຍ່ຫຼວງ.

ເວົ້າອີກຢ່າງໜຶ່ງ: AI ທີ່ດີທີ່ສຸດດຸ່ນດ່ຽງກ້າມຊີ້ນການຄິດໄລ່ດິບກັບຄວາມສາມາດໃນການໃຊ້ງານປະຈຳວັນ.

ໝາຍເຫດກ່ຽວກັບວິທີການໂດຍຫຍໍ້: ເຄື່ອງມືຂ້າງລຸ່ມນີ້ໄດ້ຮັບຄວາມສຳຄັນຖ້າພວກມັນມີຜົນໄດ້ຮັບທີ່ໄດ້ຮັບການທົບທວນຄືນຈາກຜູ້ຊ່ຽວຊານ, ຫຼັກຖານຂອງການນຳໃຊ້ໃນໂລກຕົວຈິງ (ວົງວິຊາການ ຫຼື ອຸດສາຫະກຳ), ແລະ ມາດຕະຖານທີ່ສາມາດຜະລິດຄືນໄດ້. ເມື່ອພວກເຮົາເວົ້າວ່າບາງສິ່ງບາງຢ່າງ "ໄດ້ຜົນ," ມັນກໍ່ຍ້ອນວ່າມີເອກະສານຢັ້ງຢືນຄວາມຖືກຕ້ອງຕົວຈິງ - ເອກະສານ, ຊຸດຂໍ້ມູນ, ຫຼື ວິທີການທີ່ມີເອກະສານເປັນຢ່າງດີ - ບໍ່ພຽງແຕ່ສະໄລ້ການຕະຫຼາດເທົ່ານັ້ນ.

ພາບລວມ: ເຄື່ອງມື AI ອັນດັບຕົ້ນໆສຳລັບເຄມີສາດ 📊

*ລາຄາ/ການເຂົ້າເຖິງອາດມີການປ່ຽນແປງ - ກະລຸນາກວດສອບຜູ້ຂາຍໂດຍກົງສະເໝີ.

ຈຸດເດັ່ນ: IBM RXN ສຳລັບເຄມີສາດ ✨

ໜຶ່ງໃນແພລດຟອມທີ່ເຂົ້າເຖິງໄດ້ງ່າຍທີ່ສຸດແມ່ນ IBM RXN . ມັນຖືກຂັບເຄື່ອນໂດຍ Transformer (ລອງຄິດເບິ່ງວິທີການເຮັດວຽກຂອງຮູບແບບພາສາ, ແຕ່ມີສາຍ SMILES ທາງເຄມີ) ທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃຫ້ສ້າງແຜນທີ່ສານຕັ້ງຕົ້ນ ແລະ ຕົວເຮັດປະຕິກິລິຍາກັບຜະລິດຕະພັນ ໃນຂະນະທີ່ປະເມີນຄວາມໝັ້ນໃຈຂອງມັນເອງ.

ໃນທາງປະຕິບັດ, ທ່ານສາມາດວາງປະຕິກິລິຍາ ຫຼື ສະຕຣິງ SMILES, ແລະ RXN ຈະຄາດຄະເນຜົນໄດ້ຮັບທັນທີ. ນັ້ນໝາຍຄວາມວ່າການແລ່ນ "ພຽງແຕ່ທົດສອບ" ໜ້ອຍລົງ, ສຸມໃສ່ຕົວເລືອກທີ່ມີທ່າແຮງຫຼາຍຂຶ້ນ.

ຕົວຢ່າງການເຮັດວຽກທົ່ວໄປ: ທ່ານແຕ້ມເສັ້ນທາງສັງເຄາະ, RXN ຊີ້ບອກຂັ້ນຕອນທີ່ບໍ່ໝັ້ນຄົງ (ຄວາມໝັ້ນໃຈຕ່ຳ), ແລະຊີ້ບອກເຖິງການຫັນປ່ຽນທີ່ດີກວ່າ. ທ່ານແກ້ໄຂແຜນການກ່ອນທີ່ຈະແຕະຕ້ອງຕົວລະລາຍ. ຜົນໄດ້ຮັບ: ເວລາເສຍໜ້ອຍລົງ, ຂວດທີ່ແຕກໜ້ອຍລົງ.

AlphaFold: ດາວຣັອກຂອງເຄມີສາດ 🎤🧬

ຖ້າທ່ານໄດ້ຕິດຕາມຫົວຂໍ້ຂ່າວວິທະຍາສາດ, ທ່ານອາດຈະເຄີຍໄດ້ຍິນກ່ຽວກັບ AlphaFold . ມັນໄດ້ແກ້ໄຂບັນຫາທີ່ຍາກທີ່ສຸດອັນໜຶ່ງຂອງຊີວະວິທະຍາຄື: ການຄາດຄະເນໂຄງສ້າງໂປຣຕີນໂດຍກົງຈາກຂໍ້ມູນລໍາດັບ.

ເປັນຫຍັງສິ່ງນັ້ນຈຶ່ງມີຄວາມສຳຄັນຕໍ່ເຄມີສາດ? ໂປຣຕີນແມ່ນໂມເລກຸນທີ່ສັບສົນທີ່ເປັນຈຸດໃຈກາງຂອງການອອກແບບຢາ, ວິສະວະກຳເອນໄຊມ໌, ແລະ ການເຂົ້າໃຈກົນໄກທາງຊີວະວິທະຍາ. ດ້ວຍການຄາດຄະເນຂອງ AlphaFold ທີ່ໃກ້ຈະຮອດຄວາມຖືກຕ້ອງຂອງການທົດລອງໃນຫຼາຍໆກໍລະນີ, ມັນບໍ່ແມ່ນການເວົ້າເກີນຈິງທີ່ຈະເອີ້ນມັນວ່າເປັນການຄົ້ນພົບທີ່ປ່ຽນແປງຂະແໜງການທັງໝົດ [1].

DeepChem: ສະໜາມເດັກຫຼິ້ນຂອງນັກສິລະປິນ 🎮

ສຳລັບນັກຄົ້ນຄວ້າ ແລະ ຜູ້ທີ່ມັກເຮັດວຽກອະດິເລກ, DeepChem ໂດຍພື້ນຖານແລ້ວແມ່ນຫໍສະໝຸດຂອງກອງທັບສະວິດ. ມັນປະກອບມີຄຸນສົມບັດພິເສດ, ແບບຈຳລອງທີ່ກຽມພ້ອມ, ແລະ MoleculeNet ເຊິ່ງຊ່ວຍໃຫ້ສາມາດປຽບທຽບກັນໄດ້ໃນທຸກວິທີການ.

ທ່ານສາມາດໃຊ້ມັນເພື່ອ:

• ຝຶກຝົນຕົວຄາດຄະເນ (ເຊັ່ນ: ການລະລາຍ ຫຼື logP)

• ສ້າງເສັ້ນຖານ QSAR/ADMET

• ສຳຫຼວດຊຸດຂໍ້ມູນສຳລັບວັດສະດຸ ແລະ ການນຳໃຊ້ທາງຊີວະພາບ

ມັນເປັນມິດກັບນັກພັດທະນາ ແຕ່ຄາດວ່າຈະມີທັກສະ Python. ການແລກປ່ຽນ: ຊຸມຊົນທີ່ມີການເຄື່ອນໄຫວ ແລະ ວັດທະນະທໍາການສືບພັນທີ່ເຂັ້ມແຂງ [5].

ວິທີທີ່ AI ຊ່ວຍເພີ່ມການຄາດຄະເນປະຕິກິລິຍາ 🧮

ການສັງເຄາະແບບດັ້ງເດີມມັກຈະຕ້ອງໃຊ້ການທົດລອງຫຼາຍ. AI ທີ່ທັນສະໄໝຊ່ວຍຫຼຸດຜ່ອນການຄາດເດົາໂດຍ:

• ການຄາດຄະເນປະຕິກິລິຍາຕໍ່ໜ້າ ດ້ວຍຄະແນນຄວາມບໍ່ແນ່ນອນ (ເພື່ອໃຫ້ທ່ານຮູ້ວ່າເວລາໃດທີ່ ບໍ່ ຄວນໄວ້ວາງໃຈພວກມັນ) [2]

• ການສ້າງແຜນທີ່ເສັ້ນທາງການສັງເຄາະແບບ retrosynthetic ໃນຂະນະທີ່ຂ້າມຈຸດສິ້ນສຸດທາງຕັນ ແລະ ກຸ່ມປ້ອງກັນທີ່ແຕກຫັກງ່າຍ [3]

• ແນະນຳທາງເລືອກອື່ນ ທີ່ໄວກວ່າ, ລາຄາຖືກກວ່າ, ຫຼື ສາມາດຂະຫຍາຍໄດ້ຫຼາຍກວ່າ

ສິ່ງທີ່ໂດດເດັ່ນຢູ່ທີ່ນີ້ແມ່ນ Chematica (Synthia) , ເຊິ່ງເຂົ້າລະຫັດເຫດຜົນທາງເຄມີຂອງຜູ້ຊ່ຽວຊານ ແລະ ຍຸດທະສາດການຄົ້ນຫາ. ມັນໄດ້ຜະລິດເສັ້ນທາງການສັງເຄາະທີ່ຖືກປະຕິບັດຢ່າງສຳເລັດຜົນໃນຫ້ອງທົດລອງຕົວຈິງແລ້ວ - ເປັນຫຼັກຖານທີ່ເຂັ້ມແຂງວ່າມັນບໍ່ພຽງແຕ່ເປັນແຜນວາດໃນໜ້າຈໍ [3].

ເຈົ້າສາມາດເພິ່ງພາເຄື່ອງມືເຫຼົ່ານີ້ໄດ້ບໍ? 😬

ຄຳຕອບທີ່ຊື່ສັດ: ພວກມັນມີພະລັງ, ແຕ່ບໍ່ແມ່ນວ່າບໍ່ມີຂໍ້ບົກຜ່ອງ.

• ເກັ່ງໃນຮູບແບບ : ຮູບແບບຕ່າງໆເຊັ່ນ Transformers ຫຼື GNNs ຈັບຄວາມສຳພັນທີ່ລະອຽດອ່ອນໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່ [2][5].

• ບໍ່ແມ່ນບໍ່ມີຂໍ້ຜິດພາດ : ອະຄະຕິທາງວັນນະຄະດີ, ບໍລິບົດທີ່ຂາດຫາຍໄປ, ຫຼື ຂໍ້ມູນທີ່ບໍ່ຄົບຖ້ວນສາມາດນໍາໄປສູ່ຄວາມຜິດພາດທີ່ໜ້າເຊື່ອຖືເກີນໄປ.

• ດີທີ່ສຸດຄຽງຄູ່ກັບມະນຸດ : ການຈັບຄູ່ການຄາດຄະເນກັບການຕັດສິນຂອງນັກເຄມີ (ເງື່ອນໄຂ, ການຂະຫຍາຍ, ສິ່ງເຈືອປົນ) ຍັງຄົງໄດ້ຮັບໄຊຊະນະ.

ເລື່ອງສັ້ນໆ: ໂຄງການເພີ່ມປະສິດທິພາບຂອງຜູ້ນຳໄດ້ໃຊ້ການຄິດໄລ່ພະລັງງານເສລີເພື່ອຈັດອັນດັບການທົດແທນທີ່ມີທ່າແຮງປະມານ 12 ຢ່າງ. ມີພຽງແຕ່ 5 ອັນດັບຕົ້ນໆເທົ່ານັ້ນທີ່ຖືກສັງເຄາະ; 3 ຢ່າງບັນລຸຄວາມຕ້ອງການດ້ານຄວາມແຮງທັນທີ. ນັ້ນເຮັດໃຫ້ວົງຈອນຫຼຸດລົງຫຼາຍອາທິດ [4]. ຮູບແບບແມ່ນຈະແຈ້ງ: AI ເຮັດໃຫ້ການຄົ້ນຫາແຄບລົງ, ມະນຸດຕັດສິນໃຈວ່າສິ່ງໃດທີ່ຄຸ້ມຄ່າທີ່ຈະລອງ.

ສິ່ງຕ່າງໆກຳລັງມຸ່ງໜ້າໄປໃສ 🚀

• ຫ້ອງທົດລອງອັດຕະໂນມັດ : ລະບົບການອອກແບບ, ການດຳເນີນງານ ແລະ ການວິເຄາະການທົດລອງແບບຄົບວົງຈອນ.

• ການສັງເຄາະທີ່ເປັນມິດກັບສິ່ງແວດລ້ອມ : ອັລກໍຣິທຶມທີ່ດຸ່ນດ່ຽງຜົນຜະລິດ, ຕົ້ນທຶນ, ຂັ້ນຕອນຕ່າງໆ ແລະ ຄວາມຍືນຍົງ.

• ການປິ່ນປົວສ່ວນບຸກຄົນ : ທໍ່ສົ່ງການຄົ້ນພົບທີ່ໄວຂຶ້ນທີ່ຖືກອອກແບບມາເພື່ອຕອບສະໜອງຊີວະວິທະຍາສະເພາະຂອງຄົນເຈັບ.

AI ບໍ່ໄດ້ຢູ່ທີ່ນີ້ເພື່ອທົດແທນນັກເຄມີ - ມັນຢູ່ທີ່ນີ້ເພື່ອຂະຫຍາຍພວກມັນ.

ສະຫຼຸບໂດຍຫຍໍ້: AI ທີ່ດີທີ່ສຸດສຳລັບເຄມີສາດ 🥜

• ນັກສຶກສາ ແລະ ນັກຄົ້ນຄວ້າ → IBM RXN, DeepChem [2][5]

• ຢາ ແລະ ເຕັກໂນໂລຊີຊີວະພາບ → Schrödinger, Synthia [4][3]

• ຊີວະວິທະຍາໂຄງສ້າງ → AlphaFold [1]

• ນັກພັດທະນາ ແລະ ຜູ້ກໍ່ສ້າງ → ChemTS, MolGPT

ສະຫຼຸບແລ້ວ: AI ແມ່ນຄືກັບກ້ອງຈຸລະທັດສຳລັບ ຂໍ້ມູນ . ມັນກວດພົບຮູບແບບຕ່າງໆ, ນຳພາທ່ານອອກຈາກທາງຕັນ, ແລະເລັ່ງຄວາມເຂົ້າໃຈ. ການຢືນຢັນສຸດທ້າຍຍັງຄົງເປັນຂອງຫ້ອງທົດລອງ.

ເອກະສານອ້າງອີງ

1. Jumper, J. ແລະ ອື່ນໆ. “ການຄາດຄະເນໂຄງສ້າງໂປຣຕີນທີ່ຖືກຕ້ອງສູງດ້ວຍ AlphaFold.” Nature (2021). ລິ້ງ

2. Schwaller, P. ແລະ ອື່ນໆ. “ໝໍ້ແປງໂມເລກຸນ: ຮູບແບບສຳລັບການຄາດຄະເນປະຕິກິລິຍາເຄມີທີ່ປັບທຽບຄວາມບໍ່ແນ່ນອນ.” ACS Central Science (2019). ລິ້ງ

3. Klucznik, T. ແລະ ອື່ນໆ. “ການສັງເຄາະທີ່ມີປະສິດທິພາບຂອງເປົ້າໝາຍທີ່ຫຼາກຫຼາຍ ແລະ ກ່ຽວຂ້ອງກັບການແພດທີ່ວາງແຜນໂດຍຄອມພິວເຕີ ແລະ ປະຕິບັດໃນຫ້ອງທົດລອງ.” Chem (2018). ລິ້ງ

4. Wang, L. ແລະ ອື່ນໆ. “ການຄາດຄະເນທີ່ຖືກຕ້ອງ ແລະ ໜ້າເຊື່ອຖືກ່ຽວກັບຄວາມສາມາດໃນການຜູກມັດຂອງລີແກນທີ່ກ່ຽວຂ້ອງໃນການຄົ້ນພົບຢາທີ່ມີທ່າແຮງໂດຍວິທີການຄິດໄລ່ພະລັງງານເສລີທີ່ທັນສະໄໝ.” J. Am. Chem. Soc. (2015). ລິ້ງ

5. Wu, Z. ແລະ ອື່ນໆ. “MoleculeNet: ມາດຕະຖານສຳລັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂມເລກຸນ.” ວິທະຍາສາດເຄມີ (2018). ລິ້ງ