芝加哥大学领导的研究表明,AI技术驱动的“数字孪生”能够对婴儿微生物组进行建模,从而预测婴儿成长后期可能出现的神经发育问题。
利用早产儿粪便样本中的极早期肠道微生物组相关数据,数字孪生能够非常准确地预测其后期微生物组构成,以及相对应的神经发育缺陷。
这篇论文被发表在《科学进展》期刊上,研究的主要作者、来自芝加哥大学的Ishanu Chattopadhyay在一份声明中表示,“我们只需观察微生物组的快照并分析各类菌群的不同水平,即可快速得出结论。这是因为在早产儿当中,微生物组会持续变化并发育成熟。”
“因此,我们开发出一种使用生成式AI为微生物组构建系统数字孪生的新方法,该系统能够模拟菌群变化时的相互作用。”
这项研究仍处于早期阶段,但如果得到验证,研究小组相信其可以帮助预测哪些婴儿可能需要早期微生物组移植,以帮助他们改善神经发育情况。
作者们在论文中写道,“越来越多的证据表明,微生物失调会导致多种疾病的发生和发展,包括影响基本消化过程乃至通过微生物群-肠-脑这条行进轴影响中枢神经系统。”
“虽然学术界已经观察到微生物组在包括早产儿在内的人体大脑发育中的作用,以及微生物失调与神经炎症及神经发育障碍之间的关系,但其沿肠脑轴运作的具体机制仍是个未被彻底解开的谜团。”
为了推动对这一领域的探索,Chattopadhyay及其同事使用从88名早产儿的398份粪便样本中提取到的16S核糖体RNA谱来指导并训练数字孪生模型。提供这些数据的婴儿有些出现了神经发育问题,有些则健康无恙,这就让AI得以学会如何预测新生儿的潜在发育问题。
研究小组发现,数字孪生能够预测发育欠缺与头围生长不良的风险,对受试者特征的正确覆盖率高达76%。妊娠30周时的阳性预测正确率为95%,特异性预测正确率为98%。
研究人员计算出,早期微生物组移植能够帮助约45%的婴儿免遭发育问题侵扰,但具体情况还须在未来的工作中进一步验证,特别是错误补充菌群可能带来的负面效应。
Chattopadhyay解释称,“我们不能指望着单靠给予益生菌就降低发育风险。婴儿的微生物组非常重要,在补充时需要从多个角度进行精准把控。”
研究人员还提到,数字孪生模型未来可能会将研究重点放在肠道微生物组中的特定病症与治疗目标身上。与现有研究方法相比,其有望显著缩短诊疗方案的开发周期。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。