0:000:00
<p>我们在这档节目中一直在尝试解读并想象人工智能在生物医药领域重新定义探索科学的方式，本期我们将聚焦于通过图学习在解读复杂生物分子世界中的应用。</p><p>图模型由于其特殊的结构可以反映分子的空间结构和化学键关系，天然适合用来表示分子数据，并可以非常高效地处理这些非结构化数据。本期嘉宾会从实际应用的角度，深入探讨图模型在多模态数据融合中的应用，以及如何通过预训练图模型来提高性能。</p><p>如果你想要进一步了解图模型或AI4Science，可以下滑参考嘉宾推荐的一些在AI for science领域值得关注的研究人员和项目。</p><p><strong>听前提醒：</strong>本期会有大量模型及数据相关英文名称，有一定机器学习或生物计算背景的知识的话听起来会比较轻松，也可以参考下面shownotes中对于一些图学习概念的简单介绍</p><p>【嘉宾介绍】</p><p>Camille, 香港中文大学CS PHD博士在读</p><p>研究方向：AI4Science and Graph Learning</p><p>【主要话题】</p><p>02:53 什么是图模型以及不同架构图模型的简单介绍</p><p>10:03 图模型与AI4Science领域其他模型相比的优势以及</p><p>12:14 GNN v.s. transformer在不同类型任务中的应用</p><p>14:03 Graph-based model 适合的计算场景</p><p>15:37 目前AI4Science领域中值得关注的模型：EGNN，Equiformer</p><p>17:00 Alphafold建模序列后是否可以使用图进行结构化的训练及预测？目前都有哪些进展？</p><p>22:18 除了蛋白质计算外还有哪些场景可以利用图模型？</p><p>24:42 基于图的模型与基于序列sequence的模型相比，在训练上有什么难点？</p><p>26:25 我们如何解决图数据中的噪声和不确定性？</p><p>27:40 针对图学习中多模态融合，在蛋白计算中如何将序列信息（如氨基酸序列）与结构信息结合？</p><p>27:29 图数据中存在数据截断的挑战吗？需要的算力如何？</p><p>32:41 基于图的diffusion model和传统的diffusion model有什么区别？</p>...