《自然》網站22日釋出了2024年值得關注的七大技術領域，並指出人工智慧（AI）的進步是這些最令人興奮的技術創新應用的核心。
深度學習助力蛋白質設計
從頭設計蛋白質已經成熟為一種實用的工具，用於生成定製的酶和其他蛋白質。在這背後，深度學習功不可沒。
其中，「基於序列」的演算法使用大型語言模型，能夠像處理包含多肽「單詞」的文件一樣，透過處理蛋白質序列辨別出真實蛋白質結構背後的模式。例如西班牙巴塞羅那分子生物學研究所開發的ZymCTRL，能利用序列和功能資料設計出天然酶。
基於結構的演算法也不遑多讓。美國華盛頓大學研究團隊使用RFdiffusion設計的新蛋白質可與目標表面「完美吻合」，而更新版本的RFdiffusion能使設計者計算蛋白質的形狀，為編碼酶、轉錄調節劑、製造功能性生物材料等開闢了新途徑。
圍追堵截「深度偽造」內容
生成式AI可在幾秒鐘內憑空創造出有說服力的文字和影象，包括所謂的「深度偽造」內容。
一種解決方案是生成式AI開發人員在模型輸出中嵌入水印，其他策略側重於對內容本身進行鑑定，透過演算法識別替換特徵邊界處的偽影等。
在工具的可獲得性方面，美國國防部高階研究計劃局的語義取證（SemaFor）計劃開發了一個有用的「深度偽造」分析工具箱。美國水牛城大學研究團隊也開發了演算法庫DeepFake-O-Meter，其能從不同角度分析影片內容，找出「深度偽造」內容。
大片段DNA嵌入再接再厲
美國斯坦福大學正在探索單鏈退火蛋白（SSAP），其能將擁有2000個鹼基的DNA精準嵌入人類基因組。其他方法利用基於CRISPR的先導編輯技術，將大片段DNA精確地嵌入基因組中。2022年，麻省理工學院研究人員首次描述了透過位點特異性靶向元件（PASTE）進行可程式設計新增，精確嵌入多達36000個鹼基的DNA。
中國科學院遺傳發育所研究員高彩霞領導的團隊開發了PrimeRoot。這種使用先導編輯的方法能在水稻和小麥中嵌入多達2萬個鹼基的DNA。這項技術可賦予作物抗病性和病原體抗性，延續基於CRISPR的植物基因組工程的創新浪潮。
腦機介面快速發展
美國斯坦福大學科學家開發出一種複雜的腦機介面裝置。他們在肌萎縮性側索硬化症患者的大腦中植入電極，然後訓練深度學習演算法。經過幾周訓練，患者每分鐘能說出62個單詞。
過去幾年開展的多項此類研究，證明了腦機介面技術可幫助患有嚴重神經損傷的人恢復失去的技能，並實現更大的獨立性，包括深度學習在內的AI技術在其中發揮了重要作用。
加州大學舊金山分校研究團隊研製出一款腦機介面神經假體，能讓因中風而無法說話的人以每分鐘78個單詞的速度交流。匹茲堡大學研究團隊將電極植入一名四肢癱瘓者的運動和體感皮層，以提供對機械臂的快速、精確控制以及觸覺反饋。腦機介面公司Synchron也在進行實驗，以測試一種允許癱瘓者控制計算機的系統。
解析度精益求精
科學家正在努力縮小超解析度顯微鏡與結構生物學技術之間的差距。這些新方法能以原子級解析度重建蛋白質結構。
2022年，德國科學家藉助名為MINSTED的方法，使用專用光學顯微鏡，能以2.3埃（約1/4奈米）的精度解析單個熒游標記。
較新的方法則使用傳統顯微鏡來提供類似的解析度。2023年，馬克斯·普朗克生物化學研究所（MPIB）開發的序列成像（RESI）方法可分辨DNA鏈上的單個鹼基對，用標準熒光顯微鏡展示了埃米級解析度；德國哥廷根大學開發出「一步奈米級擴充套件」（ONE）顯微鏡方法，可直接成像單個蛋白質和多蛋白複合物的精細結構。
全組織細胞圖譜呼之欲出
各項細胞圖譜計劃正取得進展，其中最引人注目的是人類細胞圖譜（HCA）。HCA包括人類生物分子圖譜（HuBMAP）、細胞普查網路（BICCN）以及艾倫腦細胞圖譜。
去年，數十項研究結果紛紛出爐。6月，HCA釋出了對人類肺部49個數據集的綜合分析。《自然》雜誌釋出文章介紹了HuBMAP的進展，《科學》雜誌也釋出了詳細介紹BICCN工作的文章。
不過，HCA至少還要5年才能完成。屆時，其將為人類帶來巨大利益，科學家可使用圖譜資料來指導組織和細胞特異性藥物的研發。
奈米材料3D列印持續改進
科學家目前主要藉助鐳射誘導光敏材料的「光聚合」來製造奈米材料，但這項技術也面臨這一些亟待解決的障礙，如列印速度、材料限制等。
在提升速度方面，2019年，香港中文大學研究團隊證明，使用2D光片而非傳統脈衝鐳射器來加速聚合，可將製造速率提高1000倍。
並非所有材料都可透過光聚合直接列印。2022年，加州理工學院團隊找到了巧妙的解決方法：將光聚合水凝膠作為微尺度模板，然後將其注入金屬鹽並進行處理。這一方法有望利用堅固、高熔點的金屬和合金製造出功能性奈米結構。