科学进步日新月异，新发现层出不穷。CAS 凭借其对科学领域历史与现状的独特视角，能够洞察今年值得关注的新兴趋势。近期，来自 劳伦斯利弗莫尔国家实验室、俄亥俄州立大学、橡树岭国家实验室以及 CAS 的专家于 1 月 25 日齐聚一堂，共同举办了一场网络研讨会，重点介绍了 2024 年值得关注的科学突破与趋势。
观看本次网络研讨会，探索在攻克“不可成药”靶点、人工智能在研发中的应用、生物材料的兴起、储能技术以及聚变能源创新等方面的最新进展。如需了解更多关于新趋势的宝贵见解，请参阅我们最近发布的文章。
研讨会核心亮点
讨论伊始，Janet 介绍了在攻克“不可成药”靶点方面的关键进展与新兴趋势。议题涵盖了神经退行性疾病、阿尔茨海默病的药物研发进展，以及帕金森病生物标志物验证的突破。这些基于疾病生物学成因的突破，对于实现治愈至关重要。此外，抗体偶联药物（ADC）作为抗肿瘤药物研发的一种途径也得到了探讨。随着研究人员不断发现治疗癌症等疾病中此前“不可成药”靶点的新方案，ADC 专利发表量在过去几年中迅速增长。
Jonathan Allen 博士随后分享了他关于人工智能和机器学习在药物发现领域应用的经验。近期，提升生物和化学小分子实体的自动化合成能力已成为一项关键的新兴趋势，并正在改变寻找新药的范式。人工智能和机器学习的应用有助于评估潜在的药物靶点，并预测新药在人体内的反应。最后，研讨会还讨论了临床成功的案例，包括小分子研究性新药申请、靶点效力、良好的药代动力学特征、抗体重新设计以及蛋白质折叠预测等。
在生物医学与材料科学的交叉领域，Kevin Hughes 博士探讨了该领域的创新以及评估新兴趋势的定量方法。对 CAS Content Collection™ 的分析揭示了生物材料领域增长最快的八个关键方向，其中包括自修复生物材料、脂质材料和生物墨水等。讨论的最后，他还对可编程生物材料进行了更深入的趋势分析，揭示了期刊和专利文献中最常提及的生物材料刺激方式。
Yiying Wu 博士将研讨会转向材料领域，讨论了电池储能的趋势。近期出现了许多新的电池趋势，包括锂离子电池、固态电池、钠钾基电池、硫电池，甚至氧电池。每一种电池技术都在电池化学层面有所创新或有助于解决现有挑战。除电池化学外，讨论还涵盖了制造技术、供应链、电池回收和安全性等议题。
Arnold Lumsdaine 博士以聚变能源为主题结束了本次研讨会。他首先发出呼吁，强调文明的未来取决于能源，且迫切需要无碳能源来满足全球日益增长的能源需求。科学进步、思维转变与政治意愿、技术改进、先进制造、高性能计算、材料进步以及大量的私人投资等多种因素，正共同推动聚变能源进入新时代。随后，他重点介绍了聚变能源的工艺流程，以及等离子体物理、材料和工程领域面临的挑战。
最后，与会者提出了许多问题，从人工智能与机器学习的根本区别，到聚变能源和锂离子电池如何融入电动汽车驱动的绿色未来。总之，本次专家小组讨论重点介绍了许多值得关注的新兴课题，有助于塑造未来的研发机遇。
以下是网络研讨会中的关键问题，供参考：
人工智能 (AI) 和机器学习之间的根本区别是什么？
- 机器学习专注于解决过去特定的问题（即侧重于预测特定属性的统计数据驱动模型）；而从理论上讲，人工智能是一个更大的集合，旨在增强人类的能力。
- 一个对比示例是“人工智能化学家”，它是一个能够提出新分子并决定制造和测试哪些分子的系统，而机器学习模型则负责评估该系统执行这些任务的成功程度。
生物材料折叠盒的概念于 2011 年发布。自那时起，在应用或进展方面是否有更新？
- 自那时起，我重点强调两个主要的进展领域：
- 3D 打印与刺激响应材料的结合，这催生了“4D 打印”这一新兴领域。
- 利用纳米材料产生新型的刺激响应。一个很好的例子是仿生水凝胶“游泳者”的开发，它通过将光热活性金纳米颗粒与温度响应型聚（N-异丙基丙烯酰胺）集成，从而在可见光照射下产生振荡。
锂电池或聚变能源的研究如何契合美国推动更多使用电动汽车的计划？
- 在电动汽车得到更广泛应用之前，仍需克服一些局限性，例如矿产开采、电池充电时间以及极端环境对电池的影响等问题。
- 核聚变将成为一种零碳电力来源。然而，由于锂是核聚变燃料循环中必不可少的元素（用于增殖氚），锂的供应可能会成为一个问题。
目前电动汽车的能源供应方式（如煤炭等）是怎样的？未来又将如何供应？
- 电动汽车的清洁程度取决于其所依赖的电网，如果电网完全依赖煤炭和天然气，那么电动汽车就无法实现真正的清洁和碳中和。
- 目前，美国通过化石燃料、核能、可再生能源及其他来源为电网供电，未来核聚变能源也有望成为其中之一。请阅读我们最新的洞察文章，了解更多关于核能、氢能及锂离子电池回收的未来发展。
是否有人在研究外泌体等生物纳米技术？
- 是的，外泌体作为药物递送系统及其治疗潜力正受到广泛研究。外泌体治疗公司正在探索其在癌症、神经系统疾病、肺部疾病及伤口愈合等领域的应用。欲了解更多关于外泌体及其新兴机遇的信息，请参阅我们基于近期同行评审期刊《ACS Nano》发表的论文所撰写的CAS洞察报告。
是否有研究对利用生成式AI辅助新药筛选与传统高通量筛选（HTS）的效率进行了对比？（例如对比AI/机器学习辅助筛选出的命中化合物与通过HTS筛选出的命中化合物）
- 目前尚未出现严谨的对比研究，且此类研究开展难度较大。在高通量筛选方面，目前已采用DNA编码库技术，可对数十亿种化学物质进行组合测试。在此过程中，始终可以选择构建机器学习模型，通过学习HTS数据来辅助筛选结果，将这两种方法结合使用，以获得更优的成果。
点击此处查看网络研讨会的录像及相关幻灯片。
