AI for Science，正在成为科学研究的第五范式。其中，几何深度学习正以其独特的优势在AI for Biology中大放异彩。生物科学作为一门研究生命现象、生物体及其相互作用的复杂科学，其研究对象包括RNA，DNA，蛋白质，细胞到整个生物体，涉及的数据类型繁多且复杂。这些数据往往具有高度的非线性和非结构化特性，传统的分析方法难以全面捕捉其内在规律和特征。而几何深度学习，凭借其强大的数据表征能力和对复杂结构的解析能力，为生物科学研究提供了新的视角和工具。「几何深度学习」读书会第四期将由上海交通大学博士研究生丁亚豪，带领大家回顾近几年来多个在生物科学领域有着突出表现的图神经网络模型，和大家共同探讨其中的原理，揭示这一技术方法在该领域中的发展历程。读书会将于周四晚（8月1日）19:00-21:00进行，欢迎感兴趣的朋友参与讨论交流！
本次分享以“几何深度学习在生物科学中的应用”为主题，梳理几何深度学习在生物科学中的应用方向，以及在如蛋白质设计，分子对接，抗体设计等重要科学问题上具有良好表现的模型。
首先，我们将会介绍深度学习在生物科学中能够解决的各种任务，以及对应的SOTA模型，例如蛋白质结构预测，蛋白质设计，小分子属性预测，抗体设计，蛋白质-蛋白质相互作用等任务。
接着，我们会选取一些几何深度学习相关的模型向大家介绍，包括这些模型中所包含的模型结构，信息传递机制，模型输入和输出等内容，包括SE（3）-Transformer，RoseTTAFold All-Atom，MPSN，Chroma，GradeIF，MEAN等模型。
最后，我们将探讨这些几何深度学习模型的典型应用。
几何模型典型应用
图神经网络（Graph Neural Network）蛋白质结构预测（Protein Structure Prediction）药物设计（Drug Design）
![]()
丁亚豪，上海交通大学博士研究生，导师是王宇光副教授。研究方向是深度学习，AI for Science，特别是AI在生物科学领域中的应用。
推荐语：这篇论文提出了一种多通道等变图神经网络MEAN，有效实现了抗体CDR区域的设计与优化。Kong X, Huang W, Liu Y. Conditional antibody design as 3d equivariant graph translation[J]. ICLR, 2023.推荐语：这篇论文提出了一种新颖的等变图扩散模型Chroma，创造了自然界中以前未发现的具有可编程特性的新型蛋白质。Ingraham J B, Baranov M, Costello Z, et al. Illuminating protein space with a programmable generative model[J]. Nature, 2023, 623(7989): 1070-1078.推荐语：这篇论文提出了一种全原子建模方法RoseTTAFold All-Atom，利用等变图神经网络实现了蛋白质、小分子、核酸、共价修饰等多种分子的结构预测与设计。Krishna R, Wang J, Ahern W, et al. Generalized biomolecular modeling and design with RoseTTAFold All-Atom[J]. Science, 2024, 384(6693): eadl2528.
时间：2024年8月1日（本周四）晚19:00-21:00https://pattern.swarma.org/study_group_issue/699?from=wechat扫码参与几何深度学习读书会，加入群聊，获取系列读书会回看权限，加入图神经网络与几何深度学习社区，与社区的一线科研工作者沟通交流，共同推动几何深度学习这一前沿领域的发展。拓扑编织着复杂世界，机器学习孕育着技术奇点。一个维度，其中拓扑理论与深度学习模型交织共鸣；一个领域，它跨越了数学的严谨与本质以及人工智能的无限可能，开辟着通往科学新纪元的航道。让我们携手在几何深度学习的起点出发，一路探索如何走向AI for Science的无限未来。
集智俱乐部联合中国人民大学黄文炳副教授、上海交通大学王宇光副教授和南洋理工大学夏克林副教授发起「几何深度学习」读书会。从2024年7月11日开始，每周四19:00-21:00进行，持续时间预计 8-10 周，社区成员将一起系统性地学习几何深度学习相关知识、模型、算法，深入梳理相关文献、激发跨学科的学术火花、共同打造国内首个几何深度学习社区！欢迎加入社区与发起人老师一起探索！
现实世界中大量问题的解决依赖于算法的设计与求解。传统算法由人类专家设计，而随着人工智能技术不断发展，算法自动学习算法的案例日益增多，如以神经网络为代表的的人工智能算法，这是算法神经化求解的缘由。在算法神经化求解方向上，图神经网络是一个强有力的工具，能够充分利用图结构的特性，实现对高复杂度算法的高效近似求解。基于图神经网络的复杂系统优化与控制将会是大模型热潮之后新的未来方向。为了探讨图神经网络在算法神经化求解的发展与现实应用，集智俱乐部联合国防科技大学系统工程学院副教授范长俊、中国人民大学高瓴人工智能学院副教授黄文炳，共同发起「图神经网络与组合优化」读书会。读书会将聚焦于图神经网络与算法神经化求解的相关领域，包括神经算法推理、组合优化问题求解、几何图神经网络，以及算法神经化求解在 AI for Science 中的应用等方面。读书会已完结，现在报名可加入社群并解锁回放视频权限。
