I cicloni tropicali possono essere previsti con un avvertimento di un giorno in più, grazie a un modello di IA
Un modello di intelligenza artificiale sviluppato dai ricercatori ha mostrato il potenziale per prevedere la traccia e l'intensità dei cicloni tropicali con una precisione significativamente maggiore, potenzialmente offrendo un avviso aggiuntivo di un giorno. Questo progresso, pubblicato su 'Nature' da Alet et al., introduce 'WeatherNext Cyclones (WN-C) ', che utilizza l'apprendimento automatico per migliorare le capacità di previsione. Il modello è stato addestrato su dati storici e testato contro metodi esistenti, dimostrando prestazioni migliori rispetto agli approcci tradizionali. I ricercatori sottolineano l'importanza di una condivisione responsabile di tale tecnologia per migliorare i sistemi di allarme precoce a livello globale. Lo studio si basa su ricerche precedenti sulle applicazioni di intelligenza artificiale per la previsione del tempo e mette in evidenza gli sforzi in corso per affinare i modelli predittivi attraverso la collaborazione interdisciplinare.
I ricercatori hanno presentato AdaptiveFlow, una piattaforma guidata dall'intelligenza artificiale progettata per rivoluzionare il cloud computing su larga scala nella scoperta di farmaci riducendo significativamente i costi computazionali. Sviluppato in collaborazione da scienziati del St. Jude Children's Research Hospital, dell'Università di Pavia, del Dana Farber Cancer Institute e della Harvard Medical School, AdaptiveFlow consente lo screening virtuale di miliardi di molecole simili a farmaci a una frazione del costo rispetto ai metodi attuali. 6 milioni di CPU virtuali, consentendo lo screening efficiente di vaste librerie molecolari senza compromettere le prestazioni.
Come prova di concetto, il team ha identificato con successo potenti inibitori sia per obiettivi tumorali consolidati che emergenti, mostrando la capacità della piattaforma di gestire scenari biologici complessi. Al centro di AdaptiveFlow si trova una griglia di 18 dimensioni che categorizza le proprietà molecolari, consentendo ai ricercatori di dare priorità a candidati chimicamente diversi per ulteriori analisi. Un modello di apprendimento automatico addestrato sui risultati preliminari dello screening identifica le molecole più promettenti, che vengono quindi sottoposte a un ampio screening virtuale utilizzando oltre 1.500 protocolli di docking.
Secondo l'autore Christoph Gorgulla, la scala lineare della piattaforma garantisce un'efficienza costante anche quando si utilizzano milioni di CPU, un'impresa precedentemente irraggiungibile con altre soluzioni software. Nel dimostrare le sue capacità, AdaptiveFlow è stato utilizzato per scoprire inibitori che mirano alla poli (ADP-ribosio) polimerasi 1 (PARP1), un obiettivo anticancro ben consolidato, e alla proteina soppressore della ferroptosi 1 (FSP1), un obiettivo emergente collegato alla sopravvivenza delle cellule tumorali.
La piattaforma ha identificato inibitori con forze di legame paragonabili agli standard farmaceutici, evidenziando la sua efficacia nell'affrontare sia le interazioni molecolari semplici che complesse. Gorgulla ha sottolineato che l'identificazione riuscita degli inibitori FSP1 sottolinea il potenziale di AdaptiveFlow come strumento robusto nella scoperta di farmaci, in particolare per obiettivi impegnativi che richiedono interazioni molecolari precise. Separatamente, i ricercatori della Constructor University e dei Constructor Labs hanno introdotto BiteNetI, un modello di apprendimento profondo in grado di individuare i siti di legame ionico all'interno di strutture proteiche tridimensionali.
Questo modello, pubblicato su Communications Biology, supera i predittori esistenti in termini di velocità e precisione, ottenendo miglioramenti da due a tre volte rispetto a metodi come AlphaFold 3 di Google DeepMind. Traducendo le strutture proteiche in griglie tridimensionali e analizzandole in modo simile al riconoscimento delle immagini negli smartphone, BiteNetI identifica in modo efficiente i siti di legame per 14 tipi di ioni biologicamente significativi. Questo progresso offre vantaggi sostanziali per comprendere le funzioni delle proteine e accelerare i processi di scoperta dei farmaci. La capacità di BiteNetI di mappare rapidamente e accuratamente i siti di legame degli ioni è cruciale per chiarire come le proteine funzionano e interagiscono con il loro ambiente.
Conoscere le posizioni precise di questi siti aiuta a valutare l'impatto delle sostituzioni di aminoacidi sulla stabilità e la funzionalità delle proteine, che è essenziale per interpretare gli effetti delle mutazioni genetiche. Inoltre, questa conoscenza facilita l'identificazione delle regioni all'interno delle proteine che sono favorevoli ai gruppi chimici carichi, aiutando nelle prime fasi della progettazione del farmaco. A differenza dei metodi sperimentali tradizionali, che sono costosi e dispendiosi in tempo, BiteNetI fornisce una soluzione scalabile per analizzare numerose proteine contemporaneamente.
Nel frattempo, i progressi nell'IA stanno anche trasformando il campo dell'ornitologia, dove gli ambientalisti utilizzano tecniche di apprendimento automatico per prevedere i modelli di migrazione degli uccelli e comprendere gli impatti del cambiamento climatico e della perdita di habitat sulle specie aviarie. I ricercatori hanno esplorato l'applicazione di modelli di apprendimento automatico e di apprendimento approfondito per analizzare i dati di migrazione, le preferenze degli habitat e le dinamiche della popolazione. I dispositivi di registrazione audio automatici catturano le chiamate e i canti degli uccelli, offrendo preziose informazioni sulle attività migratorie in cui l'osservazione diretta è impraticabile.
Queste tecnologie consentono un monitoraggio continuo per lunghi periodi, contribuendo a previsioni più accurate delle tendenze migratorie e informando le politiche di conservazione volte a proteggere gli habitat critici.
Vai alle fonti primarie (5)
Le fonti ufficiali su cui si basa la copertura. Leggile direttamente per aggirare il framing.
Un modello di intelligenza artificiale sviluppato dai ricercatori ha mostrato il potenziale per prevedere la traccia e l'intensità dei cicloni tropicali con una precisione significativamente maggiore, potenzialmente offrendo un avviso aggiuntivo di un giorno. Questo progresso, pubblicato su 'Nature' da Alet et al., introduce 'WeatherNext Cyclones (WN-C) ', che utilizza l'apprendimento automatico per migliorare le capacità di previsione. Il modello è stato addestrato su dati storici e testato contro metodi esistenti, dimostrando prestazioni migliori rispetto agli approcci tradizionali. I ricercatori sottolineano l'importanza di una condivisione responsabile di tale tecnologia per migliorare i sistemi di allarme precoce a livello globale. Lo studio si basa su ricerche precedenti sulle applicazioni di intelligenza artificiale per la previsione del tempo e mette in evidenza gli sforzi in corso per affinare i modelli predittivi attraverso la collaborazione interdisciplinare.
Lettura del bias (Centro): L'articolo presenta i risultati scientifici senza un'aperta cornice ideologica, ma si concentra sui progressi tecnologici e le loro implicazioni per la preparazione alle catastrofi, enfatizzando i risultati oggettivi piuttosto che la difesa di specifiche politiche o ideologie.
Perché fattualità (85): The article reports on the development of the WN-C model, which is described as an AI model capable of producing two-week forecasts of tropical cyclones. This aligns with the primary source document which discusses FGN, a machine learning-based weather model that outperforms traditional methods in f
Perché obiettività (80): The tone of the article is generally positive, highlighting the potential benefits of the AI model for disaster preparedness. While it presents the findings objectively, there is a slight emphasis on the societal impact of the technology, which may lean towards a more optimistic perspective.
Gli scienziati hanno sviluppato AdaptiveFlow, una piattaforma basata sull'intelligenza artificiale che riduce significativamente il costo computazionale dello screening virtuale di farmaci su larga scala. La piattaforma, creata da ricercatori di più prestigiose istituzioni tra cui l'ospedale di ricerca per bambini St. Jude e la Harvard Medical School, consente lo screening efficiente di fino a 69 miliardi di molecole, stabilendo un nuovo punto di riferimento nella scoperta di farmaci basati su cloud. Utilizzando una griglia a 18 dimensioni per dare priorità a molecole chimicamente diverse e utilizzando modelli di apprendimento automatico per identificare candidati promettenti, AdaptiveFlow migliora l'efficienza e l'accuratezza dei processi di sviluppo dei farmaci.
Lettura del bias (Centro): L'articolo presenta un progresso scientifico senza un'aperta cornice ideologica e si concentra sul progresso tecnologico nella scoperta di farmaci, sottolineando l'efficienza e l'accessibilità senza assumere una posizione partigiana.
Perché fattualità (60): The article discusses AdaptiveFlow, which is unrelated to the primary source document about BiteNetI. It contains no direct connection to the ion-binding site prediction topic and thus lacks factual alignment with the primary source. The content is about a different AI application in drug discovery,
Perché obiettività (75): The article maintains a neutral tone regarding the technological advancement of AdaptiveFlow, discussing its capabilities and benefits without overt bias. However, the focus on reducing computational costs and enabling large-scale screening may subtly suggest a preference for AI-driven solutions in
I ricercatori stanno usando l'intelligenza artificiale (IA) per tracciare e prevedere i modelli di migrazione degli uccelli, aiutando gli ambientalisti a capire come il cambiamento climatico e la perdita di habitat influenzano le specie migratrici. Lo studio pubblicato sull'International Journal of Global Environmental Issues evidenzia i progressi nel machine learning e nei modelli di apprendimento profondo che analizzano i dati di migrazione, comprese le chiamate degli uccelli registrate da sistemi automatizzati. Queste tecnologie consentono il monitoraggio su larga scala dei movimenti degli uccelli per periodi prolungati, offrendo informazioni su come i cambiamenti ambientali influenzano le rotte migratorie. Questi dati possono supportare le politiche di conservazione e le strategie di adattamento al clima identificando habitat critici che necessitano di protezione.
Lettura del bias (Centro): L'articolo discute l'applicazione dell'IA nel monitoraggio della migrazione degli uccelli per scopi di conservazione. Presenta dettagli tecnici sui metodi utilizzati e i loro potenziali benefici senza prendere posizione su questioni politiche.
Perché fattualità (40): The article covers a completely unrelated topic about tracking bird migration using AI, which has no connection to the primary source document about BiteNetI. It contains no factual information related to the event described in the primary source and is therefore not aligned with the subject matter.
Perché obiettività (85): The article presents information about AI in ornithology with a neutral and informative tone, avoiding any biased language or promotional undertones. It focuses on the scientific application of AI without expressing personal opinions or endorsements.
I ricercatori del Whitehead Institute hanno sviluppato un modello di IA chiamato IRIS che può decodificare le 'impronte digitali di segnalazione' lasciate dai percorsi di comunicazione cellulare durante lo sviluppo embrionale. Queste impronte digitali rappresentano modelli distinti di attività genica che indicano i segnali ricevuti da una cellula. Lo studio rivela che queste impronte digitali sono coerenti tra diversi tipi di cellule per lo stesso percorso di segnalazione, consentendo agli scienziati di dedurre storie di segnalazione tra più tipi di cellule senza dover mappare ognuna individualmente. Questa svolta potrebbe migliorare significativamente la comprensione dello sviluppo dei tessuti e dei meccanismi delle malattie. La ricerca utilizza l'apprendimento automatico per identificare questi modelli, offrendo un'alternativa più efficiente ai metodi sperimentali tradizionali.
Lettura del bias (Centro): L'articolo discute di un progresso scientifico nell'intelligenza artificiale e nella ricerca biologica senza implicazioni politiche dirette o controversie.
Perché fattualità (30): This article discusses research on decoding cell signaling fingerprints in different cell types, but it is unrelated to the primary source document about machine learning-based weather models. The content does not match the subject matter of the original paper at all, making the factual claims irrel
Perché obiettività (90): The article maintains a neutral and descriptive tone throughout, presenting findings without apparent bias or emotional language. It focuses on explaining the scientific discovery in a clear and objective manner.
Come l’ha coperta ogni schieramento
Lo stesso evento, raggruppato per l’orientamento politico delle testate che ne parlano.
progressista
centro
conservatore
★
Come l’ha coperta ogni schieramento
Sostieni notizie indipendenti e consapevoli del bias e sblocca il polso social, il voto della comunità e tutte le altre funzioni per i sostenitori.
ObjectiveNews è finanziato dai lettori e senza pubblicità: ti mostriamo il bias invece di nasconderlo. Sostieni il giornalismo indipendente per 4 €/mese.
United Kingdom
