研究表明：人工智能能識别到未知的人類祖先

來自進化生物學研究所 (IBE)、基因組調控中心 (CRG) 的國家基因分析中心 (CNAG-CRG) 和塔爾圖大學基因組學研究所的研究表明：人工智能能識别到未知的人類祖先。

他們使用了現代人類和已知人類祖先的基因組資料，以及一些之前未知的基因組資料，其中包括一些來自非洲的古老DNA資料。

Nature發文：基于深度學習算法尋找人類古老基因

然後，利用人工智能算法對這些資料進行了分析和比較，以推斷這些人類群體之間的關系。

結果顯示，這些未知的DNA樣本來自一個之前未知的人類群體，該人類群體可能是現代非洲人和尼安德特人之間的一個共同祖先。

DNA序列三維圖

人工智能首次用于人類進化

在過去的幾十年中，人類學家一直在研究人類演化的曆史。他們使用骨骼、化石和基因組等資料來了解不同人類群體之間的關系。

但是，由于受限于樣本數量和品質等因素，人類學家們并沒有完全了解所有已知人類群體的演化曆史，更不用說那些未知的人類祖先了。

人類基因組示例

這項研究的意義在于，它展示了人工智能技術在人類學領域的應用潛力。

通過結合基因組資料和人工智能算法，人類學家可以更好地了解人類演化曆史，尤其是那些未知的人類祖先。這項技術還可以用于其他領域，如藥物研究、基因治療等，有助于推動科學研究的進步。

依靠人工智能進行基因檢測和深度檢查（概念圖）

成功預測生命基本分子

生命基本分子，也就是蛋白質的三維結構，如果用傳統的實驗方法來确定蛋白質的結構通常是耗時且昂貴的，是以需要一種快速、準确、可擴充的方法來預測蛋白質的結構。

該結構在生命過程中發揮了許多關鍵的作用，如催化反應、傳遞信号和維護細胞結構。

空間蛋白質結構

AlphaFold基于深度神經網絡和深度學習技術，利用已知的蛋白質序列和結構資訊來預測未知的蛋白質結構。

它的預測精度已經超過了先前所有競争性方法，并且在2020年的CASP14比賽中獲得了第一名。它可以加速藥物發現過程，縮短研發時間，降低研發成本，提高疾病治療效果。

AlphaFold預測過程

這種方法的成功也展示了深度學習技術在生命科學領域的巨大潛力，為生命科學和人工智能之間的跨學科研究提供了重要的思路和方法。

除了AlphaFold，還有類似的大模型：

RoseTTAFold：由美國華盛頓大學、英國劍橋大學和DeepMind等機構共同開發的蛋白質結構預測模型，基于AlphaFold2，并在其基礎上進行改進，最終獲得了與AlphaFold2相當的性能表現。
ProteinNet：由斯坦福大學開發的一種蛋白質結構預測模型，它使用一個由多個神經網絡組成的架構來預測蛋白質結構和互相作用。
RGN：由華盛頓大學和谷歌等機構共同開發的一種蛋白質結構預測模型，它使用一種稱為Recursive Neural Network（RNN）的深度神經網絡結構來模組化蛋白質序列和結構之間的關系。
EVFold：由歐洲分子生物學實驗室（EMBL）開發的一種蛋白質結構預測模型，它利用進化資訊來預測蛋白質結構，并且在預測速度和準确度方面表現出色。           

落地應用

人工智能可以在大規模基因測序資料中發現模式和關聯，幫助研究人員了解基因組的組成和功能，以及與疾病相關的基因變異。

例如，人工智能可以用于基因序列比對、變異檢測和功能注釋等任務。

基因組序列比對

還可以利用基因測序資料，為患者提供個性化醫療建議；預測患者的藥物反應和風險，并為患者推薦最有效的治療方案。

幫助預測受孕率和胚胎植入成功率，并為生殖醫生提供更準确的診斷和治療建議；預測患者患有染色體異常的風險，并提供相應的生殖健康咨詢。

AI醫療診斷

對于遺傳學研究，人工智能可以對大規模基因測序資料進行分析，以發現新的基因突變和表觀遺傳變化，并幫助研究人員揭示這些變化與疾病之間的聯系。

甚至遠端機器人輔助治療研究，也在研究當中。

機器人輔助治療

總結

AI是手段、工具和技術，人類可以将它應用在基因組學、蛋白質組學、醫療診斷和個性化治療當中，可以加速科學研究和治療方法的發展。

我們期待更多的研究發現人類基因更多的秘密。