知识点卡片：AI4Science

基本信息

属性	内容
知识点	AI for Science (科学AI)
掌握程度	★★★☆☆
学习优先级	P2
预估时间	6小时
面试频率	★★☆☆☆

---

核心应用领域

1. AlphaFold - 蛋白质结构预测

DeepMind (2021-2024)
任务：从氨基酸序列预测蛋白质3D结构

核心技术：
- Evoformer：利用MSA（多序列比对）和结构信息
- IPA（Invariant Point Attention）：3D几何等变注意力
- Recycling：迭代精炼预测

成果：
- 预测了2亿+蛋白质结构
- 解决了50年的科学难题
- 2024诺贝尔化学奖

2. 药物发现

"""
AI加速药物发现Pipeline：

1. 靶点识别
   - 从基因组/蛋白质组数据中寻找药物靶点
   - 深度学习识别疾病相关蛋白质

2. 分子生成
   - 生成具有特定性质的候选分子
   - 模型：MolGPT, JT-VAE

3. 属性预测
   - 预测分子的ADMET性质
   （吸收/分布/代谢/排泄/毒性）

4. 分子对接
   - 预测分子与靶点的结合方式
   - DiffDock: 扩散模型用于分子对接
"""

3. 材料科学

应用：
- 晶体结构预测
- 新材料设计（电池/催化剂/半导体）
- 材料性质预测（稳定性/导电性/磁性）

代表工作：
- GNoME (DeepMind)：发现220万种新晶体结构
- Matformer：材料性质的图神经网络预测

---

核心技术挑战

挑战	说明
数据稀缺	科学数据标注成本极高
物理约束	需要满足守恒律/对称性
多尺度	从原子到宏观的跨尺度建模
可解释性	科学家需要理解"为什么"
实验验证	预测需要实验验证闭环

---

就业方向

岗位类型：
1. AI制药公司（晶泰科技/英矽智能等）
2. 材料设计初创
3. 科研院所AI部门
4. 科技公司科学AI团队（DeepMind/微软等）

技能要求：
- AI基础 + 领域知识（生物/化学/物理之一）
- 图神经网络/GNN
- 几何深度学习（E(3)/SE(3)等变网络）
- Python科学计算栈

适合：
- 读博/科研优先
- 交叉学科背景优势明显

---

相关知识点

• → Diffusion - 分子生成
• → Transformer
• → 多模态