1. De novo design of covalent bonding peptides for target proteinhLife |周小红/王奇慧等合作开发两步法从头设计的共价键合肽抑制剂通信作者周小红、王奇慧、Lip Ket Chin引用Zhou X, Zhu Q, Zheng A, et al. De novo design of covalent bonding peptides for target protein. hLife 2024; 2: 641–652.2. The terra incognita in microbiology for artificial intelligence and where to go nexthLife | 王军研究团队评述AI将点亮微生物研究的未知领域通信作者王军在人类探索自然的伟大征程中微生物仍是认知最薄弱、最神秘的领域之一。自17世纪列文虎克首次通过显微镜发现微生物以来尽管科技不断进步我们却仍像是举着火炬在黑暗洞穴中摸索——目前对微生物世界的认知尚不足1%。而人工智能AI正被寄予厚望或将成为打开这片“未知地图”的关键钥匙。本文系统梳理了微生物领域面临的三大核心挑战并提出了AI推动该领域突破瓶颈的未来路径。引用Guo S, Wang J. The terra incognita in microbiology for artificial intelligence and where to go next. hLife 2025; 3: 524–526.3. Language model–driven discovery of antiviral peptideshLife | 中国科学院微生物所王军、赵欣、邓涛等研究团队开发基于大语言模型挖掘抗病毒肽的预测工具通信作者邓涛、赵欣、王军本研究开发了一种基于自然语言处理NLP的预测工具实现了对抗病毒肽AVPs的精准识别研究表明最强效的AVPs主要通过破坏病毒包膜发挥抑制作用。这项研究不仅建立了发现AVPs的高通量策略也为开发下一代抗病毒药物研制奠定了重要基础。引用Wang J, Li D, Shi Y, et al. Language model–driven discovery of antiviral peptides. hLife 2026. https://doi.org/10.1016/j.hlife.2025.11.004.4.Machine learning approach to predict prognosis and immunotherapy responses in colorectal cancer patientshLife | 中国科学院微生物所王硕团队利用人工智能赋能结直肠癌免疫治疗预测通信作者王硕本研究通过机器学习方法构建了一个高效且稳健的结直肠癌风险分层模型IRRS揭示了肿瘤微环境与患者免疫反应之间的复杂关系。IRRS模型不仅具有较好的预后预测能力为指导免疫治疗决策提供了依据也为结直肠癌的基础研究和临床应用提供了潜在的生物标志物和治疗靶点。引用Liu Z, Yu D, Xia P, et al. Machine learning approach to predict prognosis and immunotherapy responses in colorectal cancer patients. hLife 2025; 3: 172–186.5. Artificial intelligence is transforming the study of proteins: Structures and beyondhLife | 中国科学技术大学刘海燕研究团队评述AI引领的蛋白质研究新时代通信作者刘海燕在蛋白质设计方面AI技术也正引发一场深刻变革。传统设计需依赖于天然骨架或片段拼接而蛋白质骨架去噪扩散概率模型可直接生成物理上合理的全新蛋白质主链结构显著拓宽了可设计蛋白质的结构多样性。在序列设计环节逆折叠模型通过图神经网络高效优化氨基酸序列在准确率与计算效率上均大幅超越传统基于旋转异构体的优化路径。这些进展推动蛋白质设计从“经验驱动”迈向“智能设计”的新时代。人工智能与蛋白质科学的深度融合不仅推动蛋白质研究范式的系统性变革更驱动生命科学与生物技术向全新发展阶段迈进。引用Liu H, Chen Q, Liu Y. Artificial intelligence is transforming the study of proteins: Structures and beyond. hLife 2025; 3: 162–163.6.Exploring structure-based drug discovery of GPCRs beyond the orthosteric binding sitehLife | 非常之观常在于险远探索GPCR别构位点的虚拟筛选之道通信作者黄牛本文系统地总结了G蛋白偶联受体别构位点的结构信息和调控功能机制并且梳理了目前已经发表的基于GPCRs结构的虚拟筛选Structure-based virtual screening, SBVS研究深入探讨了靶向GPCRs别构位点进行药物虚拟筛选和设计所具有的广阔前景以及面临的挑战。引用Chen Z, Ren X, Zhou Y, et al. Exploring structure-based drug discovery of GPCRs beyond the orthosteric binding site. hLife 2024; 2: 211–226.7.From spectrum to species: A new era of medical microbiology with AI-powered Raman spectroscopyhLife | AI赋能拉曼光谱技术推进医学微生物学研究2.0时代通信作者付钰本文系统阐述了AI赋能下拉曼光谱技术在病原体识别与表型检测中的创新突破和临床前景提出了该技术未来还需要进一步发展的方向。引用Zhang Z, Fu YV. From spectrum to species: A new era of medical microbiology with AI-powered Raman spectroscopy. hLife 2025; 3: 527–530.8. Forging trust in AI-assisted disease diagnosishLife | AI辅助疾病诊断的信任之路通信作者董迪本文从责任划分、数据伦理、可解释性等方面梳理了AI在医疗诊断应用中面临的挑战并探讨了AI通往未来“人机共生”医疗生态的路线。引用Zhang Y, Fang M, Feng X, et al. Forging trust in AI-assisted disease diagnosis. hLife 2025; 3: 531–533.9.Artificial intelligence serves as a research aide in biology but never eclipses humanity as a successorhLife | 协同进化AI会取代人类在生物创新领域的主导地位吗通信作者程从超、孙宇本文按工作模式类比将现有AI分为“工具”、“镜子”与“助手”这三种角色来展开分析通过探索不同模式的边界讨论了未来“人机协作”中潜在的新挑战和新机会。引用Yang W, Sun Q, Zhang Y, et al. Artificial intelligence serves as a research aide in biology but never eclipses humanity as a successor. hLife 2025; 3: 534–537.10.Learning from life, enabling artificial intelligence: Scientific historical insights from the Nobel Prize in PhysicshLife | 中科大刘欢团队解析人工智能神经网络科学技术史通信作者刘欢近年来人工智能AI技术的发展正以前所未有的速度影响我们的世界。约翰·霍普菲尔德John Hopfield和杰弗里·辛顿Geoffrey Hinton在神经网络领域做出了开创性贡献。为什么人工智能研究领域受到全球关注人工智能发展进程中又是如何演化的本文从科学史的视角追溯了人工智能神经网络领域发展历程。引用Wu Z, Zhang L, Xiang Q, et al. Learning from life, enabling artificial intelligence: Scientific historical insights from the Nobel Prize in Physics. hLife 2025; 3: 201–203.
hLife Collection | AI for health science
发布时间：2026/5/22 23:23:34
1. De novo design of covalent bonding peptides for target proteinhLife |周小红/王奇慧等合作开发两步法从头设计的共价键合肽抑制剂通信作者周小红、王奇慧、Lip Ket Chin引用Zhou X, Zhu Q, Zheng A, et al. De novo design of covalent bonding peptides for target protein. hLife 2024; 2: 641–652.2. The terra incognita in microbiology for artificial intelligence and where to go nexthLife | 王军研究团队评述AI将点亮微生物研究的未知领域通信作者王军在人类探索自然的伟大征程中微生物仍是认知最薄弱、最神秘的领域之一。自17世纪列文虎克首次通过显微镜发现微生物以来尽管科技不断进步我们却仍像是举着火炬在黑暗洞穴中摸索——目前对微生物世界的认知尚不足1%。而人工智能AI正被寄予厚望或将成为打开这片“未知地图”的关键钥匙。本文系统梳理了微生物领域面临的三大核心挑战并提出了AI推动该领域突破瓶颈的未来路径。引用Guo S, Wang J. The terra incognita in microbiology for artificial intelligence and where to go next. hLife 2025; 3: 524–526.3. Language model–driven discovery of antiviral peptideshLife | 中国科学院微生物所王军、赵欣、邓涛等研究团队开发基于大语言模型挖掘抗病毒肽的预测工具通信作者邓涛、赵欣、王军本研究开发了一种基于自然语言处理NLP的预测工具实现了对抗病毒肽AVPs的精准识别研究表明最强效的AVPs主要通过破坏病毒包膜发挥抑制作用。这项研究不仅建立了发现AVPs的高通量策略也为开发下一代抗病毒药物研制奠定了重要基础。引用Wang J, Li D, Shi Y, et al. Language model–driven discovery of antiviral peptides. hLife 2026. https://doi.org/10.1016/j.hlife.2025.11.004.4.Machine learning approach to predict prognosis and immunotherapy responses in colorectal cancer patientshLife | 中国科学院微生物所王硕团队利用人工智能赋能结直肠癌免疫治疗预测通信作者王硕本研究通过机器学习方法构建了一个高效且稳健的结直肠癌风险分层模型IRRS揭示了肿瘤微环境与患者免疫反应之间的复杂关系。IRRS模型不仅具有较好的预后预测能力为指导免疫治疗决策提供了依据也为结直肠癌的基础研究和临床应用提供了潜在的生物标志物和治疗靶点。引用Liu Z, Yu D, Xia P, et al. Machine learning approach to predict prognosis and immunotherapy responses in colorectal cancer patients. hLife 2025; 3: 172–186.5. Artificial intelligence is transforming the study of proteins: Structures and beyondhLife | 中国科学技术大学刘海燕研究团队评述AI引领的蛋白质研究新时代通信作者刘海燕在蛋白质设计方面AI技术也正引发一场深刻变革。传统设计需依赖于天然骨架或片段拼接而蛋白质骨架去噪扩散概率模型可直接生成物理上合理的全新蛋白质主链结构显著拓宽了可设计蛋白质的结构多样性。在序列设计环节逆折叠模型通过图神经网络高效优化氨基酸序列在准确率与计算效率上均大幅超越传统基于旋转异构体的优化路径。这些进展推动蛋白质设计从“经验驱动”迈向“智能设计”的新时代。人工智能与蛋白质科学的深度融合不仅推动蛋白质研究范式的系统性变革更驱动生命科学与生物技术向全新发展阶段迈进。引用Liu H, Chen Q, Liu Y. Artificial intelligence is transforming the study of proteins: Structures and beyond. hLife 2025; 3: 162–163.6.Exploring structure-based drug discovery of GPCRs beyond the orthosteric binding sitehLife | 非常之观常在于险远探索GPCR别构位点的虚拟筛选之道通信作者黄牛本文系统地总结了G蛋白偶联受体别构位点的结构信息和调控功能机制并且梳理了目前已经发表的基于GPCRs结构的虚拟筛选Structure-based virtual screening, SBVS研究深入探讨了靶向GPCRs别构位点进行药物虚拟筛选和设计所具有的广阔前景以及面临的挑战。引用Chen Z, Ren X, Zhou Y, et al. Exploring structure-based drug discovery of GPCRs beyond the orthosteric binding site. hLife 2024; 2: 211–226.7.From spectrum to species: A new era of medical microbiology with AI-powered Raman spectroscopyhLife | AI赋能拉曼光谱技术推进医学微生物学研究2.0时代通信作者付钰本文系统阐述了AI赋能下拉曼光谱技术在病原体识别与表型检测中的创新突破和临床前景提出了该技术未来还需要进一步发展的方向。引用Zhang Z, Fu YV. From spectrum to species: A new era of medical microbiology with AI-powered Raman spectroscopy. hLife 2025; 3: 527–530.8. Forging trust in AI-assisted disease diagnosishLife | AI辅助疾病诊断的信任之路通信作者董迪本文从责任划分、数据伦理、可解释性等方面梳理了AI在医疗诊断应用中面临的挑战并探讨了AI通往未来“人机共生”医疗生态的路线。引用Zhang Y, Fang M, Feng X, et al. Forging trust in AI-assisted disease diagnosis. hLife 2025; 3: 531–533.9.Artificial intelligence serves as a research aide in biology but never eclipses humanity as a successorhLife | 协同进化AI会取代人类在生物创新领域的主导地位吗通信作者程从超、孙宇本文按工作模式类比将现有AI分为“工具”、“镜子”与“助手”这三种角色来展开分析通过探索不同模式的边界讨论了未来“人机协作”中潜在的新挑战和新机会。引用Yang W, Sun Q, Zhang Y, et al. Artificial intelligence serves as a research aide in biology but never eclipses humanity as a successor. hLife 2025; 3: 534–537.10.Learning from life, enabling artificial intelligence: Scientific historical insights from the Nobel Prize in PhysicshLife | 中科大刘欢团队解析人工智能神经网络科学技术史通信作者刘欢近年来人工智能AI技术的发展正以前所未有的速度影响我们的世界。约翰·霍普菲尔德John Hopfield和杰弗里·辛顿Geoffrey Hinton在神经网络领域做出了开创性贡献。为什么人工智能研究领域受到全球关注人工智能发展进程中又是如何演化的本文从科学史的视角追溯了人工智能神经网络领域发展历程。引用Wu Z, Zhang L, Xiang Q, et al. Learning from life, enabling artificial intelligence: Scientific historical insights from the Nobel Prize in Physics. hLife 2025; 3: 201–203.
