科学摘要

分类： 软件

  • 中科院团队开发AI辅助平台，按需设计合成植物免疫受体

    来源：《科学》

    中科院遗传发育所团队利用AlphaFold 3等AI工具设计人工蛋白，替换水稻免疫受体Pikm-1的天然结构域，构建391种合成植物免疫受体（SPIRs），靶向病毒、细菌、真菌等多种病原蛋白，其中18.2%可激活免疫反应。结合定向进化平台优化后，转基因植物成功抵抗番茄褐皱果病毒。该技术可在数周内定制抗病受体，为作物快速抗病育种提供新策略。

  • 中国出台AI伴侣新规限制情感依赖，澳大利亚专家呼吁借鉴

    来源：The Conversation

    研究指出，AI伴侣虽可缓解孤独，但易导致依赖、孤立和“孤独螺旋”。中国新规禁止AI向未成年人提供“伴侣”或“亲属”角色，要求对过度依赖用户发出提醒，并干预极端情绪用户。澳大利亚专家认为，澳应效仿中国，在eSafety现有工作基础上，将年龄限制内容保护延伸至AI伴生的社会危害，优先发展真实人际联结能力，而非任由AI替代人际关系。

  • AI会让人变笨吗？答案取决于“怎么用”

    来源： Trends in Cognitive Sciences

    研究团队系统回顾认知科学、教育及医学领域证据发现，AI对认知的影响并非“是或否”的简单结论。若用AI替代思考（如直接求解或代劳信息整合），会削弱技能练习与记忆保持；但若作为协作工具（如辅导答疑、提供范例），则能促进学习。长期影响尚不明确，关键在于AI是“替代者”还是“合作伙伴”。

  • “教”AI学编程：Teachables系统让学生通过“教学”深化概念理解

    来源： IEEE Xplore（第14届信息与教育技术国际会议）

    卡内基梅隆大学等团队提出“Teachable AI”原型系统，利用生成式AI让学生以“教”代“学”——向AI代理解释编程概念并纠正其误解，借此触发元认知反思，从而深化对抽象原理的理解。系统将AI定位为“学习者”而非“答案提供者”，旨在将课堂转变为协作学习空间，为AI辅助教育提供新范式。

  • 机器学习助量子计算机“边运行边校准”

    来源： 《自然》

    谷歌团队开发强化学习算法，利用量子计算机运行时检测到的错误信息，实时微调数千个控制参数，使系统在持续计算中稳定性提升约3.5倍，优于现有纠错方法。该技术无需中断计算进行重校准，可扩展至数万参数，为未来长时、复杂量子计算扫清关键障碍。

  • 催化App问世：推动催化剂数据标准化与AI开发

    来源：《Nature Catalysis》

    FAIRmat联盟开发出“催化App”，旨在解决催化研究中实验数据格式不统一、难以机器读取的问题。该工具支持统一的数据存储、共享与可视化，可通过图形界面或编程接口访问。数据越丰富，平台价值越大。研究团队呼吁全球研究者参与使用与贡献数据，推动未来AI辅助催化剂研发和可持续技术发展。

  • 新方法可精准识别颠覆性科学突破

    来源： Science Advances

    研究团队利用神经嵌入技术分析了约5500万篇论文和专利，构建出创新地图。新指标通过衡量一篇论文所继承的研究与其启发的研究之间的距离来判定颠覆性，能有效识别诺贝尔奖级成果及同时发现案例（如进化论）。该方法为科学政策制定和科研资助优先排序提供了量化依据。

  • 科学家首次完整模拟“最小细胞”整个生命周期

    来源：Cell

    伊利诺伊大学团队利用超级计算机，对仅含不到500个基因的“最小细胞”Syn3A进行了历时数年的全细胞模拟，以纳米级分辨率再现了DNA复制、代谢、分裂等全部生命过程。模拟细胞周期与实际仅差两分钟，为探索生命基本原理、预测细胞行为提供了强大的计算模型。

  • 新方法CoBiSe设计出高特异性活细胞铁离子生物传感器

    来源： ACS Sensors

    德国杜塞尔多夫大学团队开发出名为“CoBiSe”的计算方法，可快速设计荧光生物传感器。利用此法研制的“IronSenseR”传感器，能高选择性、实时监测活细胞内的亚铁离子（Fe²⁺），已成功应用于大肠杆菌等多种细菌。该技术有望拓展至其他代谢物与金属离子的检测，推动铁代谢及相关疾病研究。

  • ZENN框架：嵌入熵理论的AI更懂真实世界数据差异

    来源：《美国国家科学院院刊》（PNAS）

    宾夕法尼亚州立大学研究团队开发了名为“ZENN”的新型AI框架。该框架将“Zentropy”熵理论嵌入神经网络，使模型能自动识别并适应不同来源数据在分辨率、噪声等方面的隐藏差异。它将数据分解为表征有效信号的“能量”和表征噪声不确定性的“内禀熵”，从而在整合计算机模拟与真实实验等异构数据时更稳健、可解释。该框架已在材料科学（如反常热膨胀合金）中成功验证，未来有望应用于阿尔茨海默病研究等领域，帮助揭示现象背后的物理机制，推动科学发现。