Cell Press细胞出版社旗下Trends系列共有16本综述期刊，致力于让读者了解生命科学、化学和医学领域的最新进展。我们提供简洁、引人入胜的文章，由各领域专家撰写，涉及前沿主题和尖端科学进展。我们的目标是为广大读者提供不仅仅是简单地文献总结；而是综合信息，提出新的想法，挑战现有的观点，并对该领域的发展方向提供独特的观点和批判性的见解。

本综述精选重点介绍使用基于人工智能（AI）的方法来解决跨学科的一系列复杂问题，以及Trends in Chemistry本月关于机器学习（machine learning)在分子与材料研究中应用的特刊。本精选文章全部开放下载。

在过去的十年里，这一高度跨学科的领域取得了惊人的进展，这归功于来自生物学、化学、数学、计算机学以及其他学科的杰出科学家。然而，这些不同学科的结合对关键发现和能力的广泛传播提出了挑战。此跨学科综述精选探索基于AI的算法如何运用于不同的领域，这些领域是疾病监测、诊断及治疗、分子和材料的发现、合成及优化、对人类及机器在认知和神经计算中的了解、对大型多层数据集（例如基因组学和植物胁迫表型的数据集）的解释与理解。

*以下部分内容译自英文，仅供参考，请以英文原文为准。

个体化和精准医疗的使能技术

在这篇综述中，来自新加坡国立大学的Dean Ho研究团队将重点介绍发展使能技术所取得的关键突破，这些技术可以推动实现个体化和精准医疗的目标；此外还将揭示目前存在的挑战，这些挑战一旦解决，可能会形成前所未有的力量，有利于实现真正的个体化护理。

▲长按识别二维码阅读论文

机器学习给植物胁迫表型带来的挑战与机遇

在这篇综述中，美国爱荷华州立大学Arti Singh研究团队提出了一种利用机器学习（ML）技术的总体策略，该策略支持在不同类型的胁迫、程序目标和环境的多个尺度上系统地应用植物胁迫表型。

▲长按识别二维码阅读论文

下一代表型筛选在传染病早期药物研发中的运用

在这篇综述中，法国巴黎巴斯德研究所和韩国巴斯德研究所的Spencer L. Shorte等研究人员回顾了最先进和新兴的技术，这些技术不仅为从复杂的表型筛选中利用有效信息提出了新的策略，也为增强转化药物研发的强大效用提供了全新的思路。在细胞、分子和生物信息学技术领域所取得的进步已遥遥领先，复杂的表型筛选也许不会再被认为是一种障碍，而会被当作是发现传染病化疗方法的催化剂。

▲长按识别二维码阅读论文

黑匣子的开启：遗传学家对机器学习的阐释

在这篇综述中，来自美国密歇根州立大学、澳大利亚圣文森特医学研究所的Christina B. Azodi团队以及来自美国密歇根州立大学的Shin-Han Shiu的团队将讨论可解释机器学习 (ML) 的重要性、用于解释ML模型的不同策略，以及这些策略应用于实践的例子。最后，将指出可解释ML在遗传学和基因组学中所面临的挑战和未来的发展方向。

▲长按识别二维码阅读论文

机器的兴起：癌症诊断的深度学习进展

在这篇综述中，加拿大不列颠哥伦比亚大学Stephen Yip团队概述了深度学习应用于癌症诊断的当前进展和最新技术，并讨论了该技术广泛应用于临床部署所面临的挑战。

▲长按识别二维码阅读论文

大脑中的分布式强化学习

机器学习的最新进展揭示了一套生物学上合理的算法，可以让哺乳动物从经验中重建对奖赏预测的分布。在这篇综述中，哈佛大学医学院Jan Drugowitsch及哈佛大学脑科学中心Naoshige Uchida团队合作回顾了这些算法的数学基础以及它们神经生物学实现的初步证据。

▲长按识别二维码阅读论文

人工智能和动物的常识

常识问题仍然是人工智能发展的一大障碍。在这篇文章中，来自DeepMind、伦敦帝国理工学院、剑桥大学的Murray Shanahan等研究人员认为，人类的常识是建立在许多其他动物所拥有的一系列基本能力之上的，这些能力与理解物体、空间和因果关系有关。动物认知领域的研究可以为深度强化学习（RL）的进展提供启发。

▲长按识别二维码阅读论文

医学领域中人工智能缺失的部分

医疗保健系统的利益相关者都在寻求将人工智能（AI）纳入他们的决策过程。在这篇文章中，美国威尔康奈尔医学院Olivier Elemento团队对一些关键因素进行了讨论，这些因素应该被优先考虑，以使人工智能在整个医疗保健链中充分且成功地发挥其价值。研究人员特别强调了对模型可解释性的关注和在人工智能框架内整合不同类型数据的重要性。

▲长按识别二维码阅读论文

Trends in Chemistry 特刊：分子和材料的机器学习

这期特刊重点介绍机器学习为新分子和材料的合成、发现和优化循环系统提供信息、桥梁以及帮助的一些重要方法，如果没有这些方法，开展和分析这些工作将会极其困难、耗费成本高或人工密集。

Trends in Chemistry

扫码查看本期特刊

面向机器学习增强的高通量实验

在这篇综述中，来自美国麻省理工学院的Klavs F. Jensen团队重点举例介绍了机器学习（ML）和高通量实验（HTE）的最新发展，表明了它们的集成效用。研究人员分析强调了这两个领域的互补性，同时也揭露了一些可以并且应该克服的障碍，以充分利用ML和THE的融合，加速化学研究的进展。

▲长按识别二维码阅读论文

定义和探索化学空间

设计具有理想性质的功能分子是一个具有挑战性的多目标优化问题。在这篇综述中，来自美国麻省理工学院的Connor W. Coley提供了一些定义和探索化学空间的算法方法的概述。研究人员强调了机器学习的潜在作用和对综合可行性的考虑，并总结了这些方法未来发展和评估的重要方向。

▲长按识别二维码阅读论文

机器学习系列教程

从随机森林开始，一步步理解决策树、随机森林、ROC/AUC、数据集、交叉验证的概念和实践。

文字能说清的用文字、图片能展示的用、描述不清的用公式、公式还不清楚的写个简单代码，一步步理清各个环节和概念。

再到成熟代码应用、模型调参、模型比较、模型评估，学习整个机器学习需要用到的知识和技能。

1. 机器学习算法 - 随机森林之决策树初探（1）

2. 机器学习算法-随机森林之决策树R 代码从头暴力实现（2）

3. 机器学习算法-随机森林之决策树R 代码从头暴力实现（3）

4. 机器学习算法-随机森林之理论概述

5. 随机森林拖了这么久，终于到实战了。先分享很多套用于机器学习的多种癌症表达数据集 https://file.biolab.si/biolab/supp/bi-cancer/projections/。

6. 机器学习算法-随机森林初探（1）

7. 机器学习 模型评估指标 - ROC曲线和AUC值

8. 机器学习 - 训练集、验证集、测试集

9. 机器学习 - 随机森林手动10 折交叉验证

10. 一个函数统一238个机器学习R包，这也太赞了吧

11. 基于Caret和RandomForest包进行随机森林分析的一般步骤 （1）

12. Caret模型训练和调参更多参数解读(2)

13. 机器学习相关书籍分享

14. 基于Caret进行随机森林随机调参的4种方式

15. 送你一个在线机器学习网站，真香！

16. UCI机器学习数据集

17. 机器学习第17篇 - 特征变量筛选（1）

18. 机器学习第18篇 - Boruta特征变量筛选（2）