镁月研读 | ChatGPT背后模型可能具有人类心智？

近期，ChatGPT火爆出圈，对话人工智能聊天机器人，不仅可以帮你写邮件、写代码、写情书、甚至还可以写论文，人工智能正在颠覆认知，AI或将“重塑”各行各业......

斯坦福大学一位教授发表研究，表示在没有任何示例或预训练的情况下，对ChatGPT进行人类心智测试，结果表明2022年1月发布的版本行为表现堪比七岁儿童，而 2022 年 11 月的版本已达到九岁儿童的心智，引发广泛关注^[1]。

不过，Nature期刊在2月发布的文章中对ChatGPT的表现总结为：快速流畅但不准确。同时在文内探讨了生成式AI对科学的影响及未来使用规范。

ChatGPT作为大规模预训练语言模型的表现惊人，如果这种基于机器学习的“预训练”AI模型用在生命科学领域，又会发生什么呢？

Scientific Reports近期发表了一项新的研究，详细介绍了一种用于识别分离单细胞的机器学习模型。该研究团队使用生物抗蚀剂对微孔阵列进行图案化用于单细胞捕获，对细胞分类后，通过不断训练机器学习模型来识别和分离单细胞，在测试该模型时发现，当使用明场显微镜时，在0.09s的时间内识别单个细胞的平均正确率达80.13%，而通过不断训练及调整模型的参数，平均正确率可高达98.9%，且模型推算时间更短^[2]。

另外，2023年2月哥伦比亚大学系统生物学系在Nature Biotechnology也发表论文表示建立了新的机器学习方法，成功搭建了高通量机器人菌株分离平台（CAMII平台 ），该平台通过自动收集样本可以搭建微生物生物库，然后根据基因组学技术、生物库和AI引导算法进行数据分析和筛选，CAMII平台的分离吞吐量是人工分离菌落的20倍以上，可以有效提高研发人员的工作效率^[3]。

随着人工智能 (AI) 和深度学习模型的不断发展，这些AI模型经过训练可以辨别多维成像和生物数据中的细微差别，结合强大的学习迭代能力和专业的行业数据库，智能机器学习模型有望改变下一代细胞生物学的发展。

镁伽借助自动化、计算机、物联网和AI技术，自主研发了自动化细胞生物学系统，此系统可为生命科学细胞实验提供从独立设备到完整实验流程的标准化、信息化、自动化、智能化的一站式解决方案。其为生命科学细胞实验相关研究提供了一套简洁完善而灵活的“可编程语言”，让细胞实验室的物理操作与计算机同步，用户可通过平台轻松地设计实验、选择参数、运行实验、收据数据并构建模型，从而创建一个实验、数据的正反馈循环，解决现有生命科学细胞实验操作技术要求高、实验通量低等问题，灵活适应多种不同细胞实验场景。

镁伽自动化细胞生物学系统，主要包括自动化细胞培养和自动化细胞分析检测实验等自动化硬件，同时包括辅助细胞实验设计和稳定运行的智能化调度及信息系统。其中，自动化细胞培养模块能完全替代技术员对细胞进行自动化换液、传代等连贯操作，并智能化监控细胞生长情况。自动化细胞分析检测模块能完全替代细胞实验技术员手工操作，对细胞进行完整的自动化铺板、换液、加药处理等复杂操作及随后的信号读取、数据分析等智能化处理。

Cell Painting是一种强大的可用于筛选的高通量多参数图像分析方法，可表征细胞对干扰因素（化合物、药物或基因）的反应，已在众多领域得到了广泛的应用。例如，研究特定基因的功能和途径，确定基因的相互作用；研究化合物、药物、天然产物等的作用机制，更优化的进行药物筛选；描述细胞异质性等等。

镁伽鲲鹏实验室的科学家利用自动化系统的湿实验结合AI算法，使用机器学习算法对数据进行解析，以降低高通量多参数数据的维度，并识别形态聚类与机制的关系。通过自动化湿实验，得到大量原始细胞成像数据，并对细胞进行识别和分割，来预测分割出的细胞及细胞形态；并进一步进行了细胞形态学分析，为后续进一步机理机制研究奠定了基础。

由此来看，实验室自动化是AI技术发展的基础，而AI技术的逐步成熟，也为实验室自动化带来了更广阔的空间，只有稳固的自动化技术才能让AI场景更好落地，未来两者发展相辅相成。

现如今围绕 ChatGPT的话题不断，从搜索引擎辐射到人工智能，各行各业都在探索属于自己的“XGPT”，诸如自动驾驶的DriverGPT、生命科学的ProteinGPT等等，而如何更好的发展和应用AI技术将是人类的长久命题。

其实AI+生命科学早已不是新的概念，人工智能在国内有着明确的落地应用场景，镁伽在生命科学领域也搭建了完整的生物学自动化实验室，通过融合自动化和人工智能技术，帮助客户将复杂的生物学实验实现标准化、自动化和数字化，助力生命科学领域智能自动化转型。

本期镁月研读就到这里啦，关注我们，获取更多生命科学领域的科技资讯，下期见！

参考文献：

[1]Kosinski M. Theory of Mind May Have Spontaneously Emerged in Large Language Models[J]. arXiv e-prints, February 2023( arXiv:2302.02083).

[2]Debnath, T., Hattori, R., Okamoto, S. et al. Automated detection of patterned single-cells within hydrogel using deep learning. Sci Rep 12, 18343 (2022).

[3]Huang, Y., Sheth, R.U., Zhao, S. et al. High-throughput microbial culturomics using automation and machine learning. Nat Biotechnol (2023).

 往期精彩推荐