Привет, это Джаноме. Я напишу статью о методологии применения ИИ в регенеративной медицине, которую я называю RIML (рекурсивное интегрированное машинное обучение). Я могу создавать документы по мере необходимости, но в основном пишу все в уме.

В RIML моделирование конкретных организованных структур или функций (таких как путь Hedgehog, инсулин, iPS-клетки и т. д.) выводится из моделей белков в более низком масштабе. Моделирование этих белков далее выводится из моделей аминокислот в еще более низком масштабе, а моделирование аминокислот рекурсивно выводится из поведения атомов или квантовых явлений. Каждая симуляция строится с использованием модели ИИ, но обучающие данные для модели ИИ извлекаются из физических моделей в более низком масштабе. RIML все еще находится на стадии идеи и не является общей методологией в области машинного обучения. Кроме того, я продолжу параллельно проводить исследования в таких областях, как биохимия и квантовая химия. Поэтому обратите внимание, что все, что я пишу, носит экспериментальный характер.

Поэтому, хотя конечной целью является разработка эффективной информации и теорий для регенеративной медицины, с практической точки зрения одновременно будут проводиться многочисленные исследовательские работы. Ниже приведен список, описывающий объем предполагаемых исследований:

Исследование №1: построение архитектуры RIML.

Исследование №2: Изучение приближенных алгоритмов поведения молекул на основе квантовой механики (область квантовой механики).

Исследование №3: Изучение трехмерной структуры аминокислот с использованием описанных выше алгоритмов (область органической химии).

Исследование №4: изучение трехмерной структуры белков с использованием описанных выше алгоритмов (области органической химии и фармацевтики).

Исследование №5: Изучение биохимических реакций биологических тканей с использованием белков на основе приведенных выше алгоритмов (области биохимии и медицинских наук).

RIML в первую очередь включает в себя построение моделей ИИ с использованием машинного обучения с теоретическими предпосылками, основанными на данных и эмпирических данных из более низких масштабов. Целью рекурсивного применения этих моделей является повышение точности моделирования в более высоких масштабах. Конечная цель — смоделировать организованные биологические ткани на компьютерах, используя эту архитектуру машинного обучения в качестве основы.

Ожидаемые применения этих результатов включают:

  • Моделирование биологических процессов на компьютерах, автоматизация процессов, которые ранее основывались на экспериментальных подходах.
  • Открытие новых тканей и медицинских подходов путем моделирования новых комбинаций на компьютерах.

Однако важно отметить, что эта серия подходов, полностью основанных на компьютерах, потребует таких соображений, как поддержание согласованности и надежности с реальными биологическими системами и экспериментальными данными, а также ограничений в вычислительных ресурсах и времени. Какое-то время я намерен участвовать в обмене информацией с учеными-единомышленниками и вносить свой вклад в существующие академические области, распространяя теоретическую информацию среди общества. Если вы заинтересованы, пожалуйста, обращайтесь.