網(wǎng)站設(shè)計(jì)怎么自學(xué),如果建網(wǎng)站,新蔡縣住房和城鄉(xiāng)建設(shè)局網(wǎng)站,扁平化 手機(jī)網(wǎng)站首頁(yè)細(xì)胞生物學(xué)的相關(guān)研究一直受限于數(shù)據(jù)的完整性和表型的完整性#xff0c;對(duì)應(yīng)激狀態(tài)和穩(wěn)態(tài)下的細(xì)胞區(qū)別觀察不夠充分。過(guò)去五年中#xff0c;計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別領(lǐng)域通過(guò)對(duì)大量的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)、建模#xff0c;很好的解決了數(shù)據(jù)不足的問(wèn)題。同樣在最近的研究中#…細(xì)胞生物學(xué)的相關(guān)研究一直受限于數(shù)據(jù)的完整性和表型的完整性對(duì)應(yīng)激狀態(tài)和穩(wěn)態(tài)下的細(xì)胞區(qū)別觀察不夠充分。過(guò)去五年中計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別領(lǐng)域通過(guò)對(duì)大量的無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)、建模很好的解決了數(shù)據(jù)不足的問(wèn)題。同樣在最近的研究中機(jī)器學(xué)習(xí)方法使用單細(xì)胞數(shù)據(jù)進(jìn)行擾動(dòng)建模也推動(dòng)了細(xì)胞生物領(lǐng)域前進(jìn)。對(duì)于生物學(xué)家來(lái)講無(wú)論研究基因、轉(zhuǎn)錄本、修飾、蛋白功能都要頻繁的進(jìn)行人為干預(yù)實(shí)現(xiàn)對(duì)感興趣變量的正向或者反向改變觀察細(xì)胞表型的變化。整個(gè)過(guò)程需要對(duì)干預(yù)工具的構(gòu)建、導(dǎo)入、實(shí)驗(yàn)觀察從而得出表型結(jié)論。擾動(dòng)建模的目的就是想要通過(guò)數(shù)學(xué)模型的建立通過(guò)對(duì)已有數(shù)據(jù)的分析、歸納和總結(jié)對(duì)一個(gè)分子的功能在沒(méi)有濕實(shí)驗(yàn)時(shí)做出預(yù)判對(duì)于生物學(xué)家和藥物研發(fā)者來(lái)講好的模型一定能夠幫助加深對(duì)生物機(jī)制的理解推動(dòng)藥物的研發(fā)進(jìn)程。在“perturbationmodeling”這個(gè)概念下機(jī)器學(xué)習(xí)使用單細(xì)胞數(shù)據(jù)嘗試處理了哪些問(wèn)題模型是如何構(gòu)建的觀點(diǎn)來(lái)自Machine Learning for Perturbational Single-Cell Omics。本期綜述結(jié)合相關(guān)文章展開(kāi)相關(guān)討論。文章中反復(fù)出現(xiàn)的“perturbation”一詞該如何理解原意為干擾、擾動(dòng)具體在細(xì)胞生物學(xué)當(dāng)中對(duì)應(yīng)的就是細(xì)胞所受到的外部、內(nèi)部干擾因素內(nèi)部干擾因素如基因突變外部干擾因素如分子小分子化合物、大分子等外源性分子處理、基因knock out、knock down等干預(yù)這些都是文中perturbation所對(duì)應(yīng)的因素。因此perturbation modeling的最終目的就是通過(guò)對(duì)已有數(shù)據(jù)的學(xué)習(xí)準(zhǔn)確捕獲perturbation所帶來(lái)的生物學(xué)意義解釋該perturbation對(duì)哪些靶點(diǎn)、信號(hào)通路產(chǎn)生影響同時(shí)對(duì)新的perturbation類(lèi)型所帶來(lái)的影響進(jìn)行預(yù)測(cè)。甚至當(dāng)多個(gè)perturbation同時(shí)出現(xiàn)是協(xié)同還是拮抗做出判斷解決分子細(xì)胞生物學(xué)以及藥物發(fā)現(xiàn)領(lǐng)域等未知的問(wèn)題。perturbation一詞也在后面的文章中統(tǒng)一翻譯成“擾動(dòng)”請(qǐng)讀者知悉。包括基因敲除、刺激物、再生因子等對(duì)細(xì)胞處理的過(guò)程本質(zhì)上都是一種對(duì)細(xì)胞狀態(tài)的擾動(dòng)而系統(tǒng)生物學(xué)的重要分支就是對(duì)這種擾動(dòng)的效果進(jìn)行建模、預(yù)測(cè)。從結(jié)合binding到對(duì)接docking到下游分子效應(yīng)和器官的整體改變。如果要對(duì)擾動(dòng)帶來(lái)的變化進(jìn)行評(píng)估必須對(duì)細(xì)胞、分子和組織之間的相關(guān)機(jī)制有全面的了解。在傳統(tǒng)的分子細(xì)胞生物學(xué)實(shí)驗(yàn)中研究者會(huì)進(jìn)行大量的蛋白-藥物互作、生物標(biāo)志物篩查等試驗(yàn)方法來(lái)捕獲這種外界刺激對(duì)細(xì)胞本身帶來(lái)的改變。圖1擾動(dòng)隱空間的建立每個(gè)點(diǎn)代表一個(gè)擾動(dòng)-條件組合對(duì)擾動(dòng)-條件二維矩陣中的數(shù)據(jù)點(diǎn)帶顏色的點(diǎn)代表已有實(shí)驗(yàn)點(diǎn)的顏色代表不同實(shí)驗(yàn)之間的相關(guān)性如劑量、細(xì)胞類(lèi)型、通路活化等為了批量獲取這種擾動(dòng)信息很多研究單位建立了相關(guān)細(xì)胞數(shù)據(jù)庫(kù)比如體外藥物篩選數(shù)據(jù)庫(kù)例如Genomics of Drug Sensitivityin Cancer、 Cancer TherapeuticsResponse Portal、Connectivity Map等還有其他廣譜性質(zhì)的數(shù)據(jù)收集例如PharmacoDB、DurgBank數(shù)據(jù)庫(kù)針對(duì)細(xì)胞系或者藥物建立信息體系同時(shí)這些數(shù)據(jù)庫(kù)包含了小分子化合物的一般化學(xué)特性。除了數(shù)據(jù)上的積累機(jī)器學(xué)習(xí)模型在過(guò)去十年中也得到了發(fā)展不斷地對(duì)越來(lái)越多的數(shù)據(jù)進(jìn)行訓(xùn)練、開(kāi)發(fā)、測(cè)試用以獲得更好的機(jī)器學(xué)習(xí)模型。經(jīng)典的ML模型已經(jīng)有不少用于藥物靶點(diǎn)發(fā)現(xiàn)和IC50的預(yù)測(cè)。由于強(qiáng)大的方程擬合能力和靈活性深度學(xué)習(xí)模型在最近的研究當(dāng)中被廣泛使用通過(guò)卷積操作處理化學(xué)和序列數(shù)據(jù)預(yù)測(cè)化合物結(jié)構(gòu)毒性通過(guò)體細(xì)胞突變預(yù)測(cè)藥物敏感性等。但是通過(guò)深度學(xué)習(xí)對(duì)擾動(dòng)生物學(xué)(perturbationbiology)中的分子機(jī)制進(jìn)行的研究并沒(méi)有取得太多的成果對(duì)于細(xì)胞擾動(dòng)應(yīng)答機(jī)制的理解還遠(yuǎn)遠(yuǎn)不夠。本篇文章關(guān)注最近單細(xì)胞測(cè)序的發(fā)展討論最近利用DL方法建立的用于處理上述問(wèn)題的成功案例。單細(xì)胞測(cè)序所產(chǎn)生的細(xì)胞水平數(shù)據(jù)讓DL模型看到了更多轉(zhuǎn)錄組、蛋白組和表觀水平的數(shù)據(jù)變化龐大的數(shù)據(jù)可以同時(shí)對(duì)細(xì)胞應(yīng)答的異質(zhì)性沿著多個(gè)variation方向進(jìn)行建模。目前做的最多的也是最前沿的研究應(yīng)該是使用scRNA-seq數(shù)據(jù)進(jìn)行細(xì)胞應(yīng)答的建模分析。由于單細(xì)胞數(shù)據(jù)提供了更多的訓(xùn)練實(shí)例和變化方向深度學(xué)習(xí)模型可以通過(guò)更少的試驗(yàn)次數(shù)對(duì)一些未知、未見(jiàn)的事件進(jìn)行推理。使用隱空間概念對(duì)分子特征進(jìn)行描述就是一個(gè)很好的例證通過(guò)這種對(duì)基因組、表觀組、蛋白組特征的蒸餾表示distilled representation來(lái)提取、總結(jié)細(xì)胞擾動(dòng)和應(yīng)答之間的關(guān)系。這種空間建立過(guò)程對(duì)反復(fù)出現(xiàn)的事件如信號(hào)通路多個(gè)因子的共表達(dá)、細(xì)胞生物標(biāo)志物的出現(xiàn)進(jìn)行強(qiáng)調(diào)并賦予權(quán)重從而對(duì)細(xì)胞的應(yīng)答特性進(jìn)行捕獲。對(duì)隱空間的另外一種理解就是類(lèi)似PCA、t-SNE或者UMAP一種數(shù)據(jù)壓縮方式比如一個(gè)二維的auto-encoder隱空間表示非常類(lèi)似于t-SNE生成模型使用這個(gè)概念對(duì)細(xì)胞狀態(tài)之間的互作關(guān)系進(jìn)行隱式建模使用監(jiān)督學(xué)習(xí)用來(lái)壓縮數(shù)據(jù)從而學(xué)習(xí)細(xì)胞狀態(tài)的擾動(dòng)關(guān)系。雖然深度學(xué)習(xí)模型可以這樣廣泛的使用但是這種計(jì)算模型和顯微鏡下的實(shí)驗(yàn)觀察是完全不同的兩件事目前現(xiàn)有的大部分?jǐn)?shù)據(jù)庫(kù)的主要缺陷是缺少perturbation的條件。深度學(xué)習(xí)模型對(duì)數(shù)據(jù)量要求非常高如果沒(méi)有充足的數(shù)據(jù)量和perturbation實(shí)驗(yàn)深度學(xué)習(xí)模型也很難解決一個(gè)這樣高緯度的生物學(xué)數(shù)據(jù)的壓縮問(wèn)題。參考計(jì)算機(jī)視覺(jué)領(lǐng)域的發(fā)展歷程只要標(biāo)準(zhǔn)化數(shù)據(jù)和benchmark的出現(xiàn)單細(xì)胞數(shù)據(jù)也會(huì)被源源不斷的用于深度學(xué)習(xí)的模型建立當(dāng)中。擾動(dòng)建模概念下具體圍繞單細(xì)胞數(shù)據(jù)嘗試解決了哪些生物學(xué)問(wèn)題1. 擾動(dòng)建模的目的擾動(dòng)建模是一個(gè)大的機(jī)器學(xué)習(xí)框架其中包含多個(gè)具體模型和任務(wù)。相應(yīng)的每個(gè)模型會(huì)有評(píng)判方法來(lái)評(píng)價(jià)該模型的表現(xiàn)在這個(gè)框架下的具體任務(wù)基本上是對(duì)細(xì)胞對(duì)外界刺激應(yīng)答的評(píng)估和預(yù)測(cè)。圖2組學(xué)評(píng)估:預(yù)測(cè)轉(zhuǎn)錄組或者其他組學(xué)在擾動(dòng)之后的變化, 模型的輸入通常是分組信息處理組、對(duì)照組以及不同分組對(duì)應(yīng)下的組學(xué)數(shù)據(jù)模型的性能可以通過(guò)預(yù)測(cè)值()同真實(shí)值 (X)之間的相關(guān)性來(lái)評(píng)估A. 組學(xué)特征和表型預(yù)測(cè)如果模型已經(jīng)捕獲了一個(gè)擾動(dòng)所帶來(lái)的重要生物意義就可以在細(xì)胞受到擾動(dòng)因素影響以后預(yù)測(cè)未知的組學(xué)特征和表型變化圖2。在擾動(dòng)發(fā)生之后模型可以預(yù)測(cè)轉(zhuǎn)錄組或其他組學(xué)的變化情況模型的性能可以通過(guò)真實(shí)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的相關(guān)性來(lái)評(píng)估半數(shù)抑制濃度IC50預(yù)測(cè)是表型預(yù)測(cè)的一個(gè)經(jīng)典問(wèn)題模型通過(guò)學(xué)習(xí)其他細(xì)胞系IC50值的變化特征預(yù)測(cè)目標(biāo)細(xì)胞系的IC50值圖3模型的表現(xiàn)可以通過(guò)經(jīng)典的回歸模型評(píng)價(jià)方法進(jìn)行評(píng)價(jià)。通常這里提到的有關(guān)表型的預(yù)測(cè)任務(wù)就是在解決藥物發(fā)現(xiàn)中所遇到的實(shí)際問(wèn)題比如藥物有效性針對(duì)不同腫瘤的藥物敏感性的預(yù)測(cè)表型預(yù)測(cè)其實(shí)就是在嘗試解決藥物發(fā)現(xiàn)中的部分問(wèn)題。圖3表型預(yù)測(cè):用連續(xù)變量來(lái)估計(jì)細(xì)胞系對(duì)各種擾動(dòng)的相關(guān)值變化比如IC50量效曲線Dose Response Curve、細(xì)胞毒性等指標(biāo)B. 靶點(diǎn)和機(jī)制預(yù)測(cè)圖4通過(guò)組學(xué)數(shù)據(jù)對(duì)化合物擾動(dòng)的靶點(diǎn)預(yù)測(cè)紅、藍(lán)、綠分別代表模型隱空間中的具體表示讓擾動(dòng)模型具有生物相關(guān)性、真正具有分子細(xì)胞生物學(xué)應(yīng)用價(jià)值的主要途徑就是讓模型學(xué)習(xí)并預(yù)測(cè)潛在的分子機(jī)制和靶點(diǎn)例如用來(lái)預(yù)測(cè)某個(gè)小分子化合物的蛋白、通路靶點(diǎn)。這種模型的表現(xiàn)可以通過(guò)對(duì)已知化合物的precision、recall等指標(biāo)進(jìn)行比較評(píng)估該模型的直接應(yīng)用場(chǎng)景就是通過(guò)對(duì)新的化合物進(jìn)行評(píng)估從而發(fā)現(xiàn)新的藥物估計(jì)副反應(yīng)老藥新用的可能性助力藥物開(kāi)發(fā)。圖5預(yù)測(cè)擾動(dòng)發(fā)生的聯(lián)合效應(yīng)也可以理解為預(yù)測(cè)小分子化合物聯(lián)合擾動(dòng)所帶來(lái)的效果部分化合物的聯(lián)合使用具有協(xié)同作用而有時(shí)呈現(xiàn)拮抗效果對(duì)于未知的化合物組合效果模型可以根據(jù)已知數(shù)據(jù)進(jìn)行預(yù)測(cè)C. 擾動(dòng)互作預(yù)測(cè)擾動(dòng)互作預(yù)測(cè)就是在評(píng)估成對(duì)出現(xiàn)的擾動(dòng)效果的協(xié)同性和拮抗性圖5?；衔锘蛘呋蛲蛔兊葦_動(dòng)因素可以成對(duì)出現(xiàn)并且可以被打上標(biāo)簽協(xié)同性、拮抗姓這種模型可以用分類(lèi)或者回歸模型的評(píng)價(jià)指標(biāo)進(jìn)行評(píng)估。該任務(wù)的應(yīng)用場(chǎng)景同組合治療相關(guān)對(duì)擾動(dòng)互作的了解可以更好的建立干擾互作網(wǎng)絡(luò)全面了解不同的擾動(dòng)組合對(duì)所關(guān)心表型的影響。不同于小分子篩選基因的knock out、knock down等實(shí)驗(yàn)本質(zhì)上也是一種擾動(dòng)只是發(fā)生在基因?qū)用婵梢砸徊⒃谟?xùn)練模型時(shí)考慮在內(nèi)。圖6給定組學(xué)特征預(yù)測(cè)擾動(dòng)因素的化學(xué)特性比如分子圖譜、藥效官能團(tuán)或者完整的化合物D. 化學(xué)特性預(yù)測(cè)根據(jù)生物數(shù)據(jù)預(yù)測(cè)化合物的化學(xué)特性是連接生物學(xué)和化學(xué)的主要方式。之前的藥物設(shè)計(jì)很多是根據(jù)蛋白口袋進(jìn)行小分子藥物的從頭設(shè)計(jì)而現(xiàn)在可以根據(jù)轉(zhuǎn)錄組學(xué)數(shù)據(jù)從頭設(shè)計(jì)小分子預(yù)測(cè)藥效官能團(tuán)。如果能將生物特征和化學(xué)特征聯(lián)系起來(lái)在沒(méi)有進(jìn)行濕實(shí)驗(yàn)的時(shí)候也可以對(duì)化合物的細(xì)胞毒性進(jìn)行評(píng)估。對(duì)于基因?qū)用娴臄_動(dòng)因素就是對(duì)k-mers、motif進(jìn)行建模預(yù)測(cè)這種模型可以在沒(méi)有體外實(shí)驗(yàn)的時(shí)候評(píng)估該基因突變能帶來(lái)的影響甚至可以將這些數(shù)據(jù)整合起來(lái)建立網(wǎng)絡(luò)效應(yīng)。2. 現(xiàn)有方法目前已經(jīng)有很多應(yīng)用于傳統(tǒng)表觀基因組、轉(zhuǎn)錄組和蛋白組學(xué)數(shù)據(jù)學(xué)習(xí)、分子表型篩選、臨床的深度學(xué)習(xí)方法。最近的研究中由于單細(xì)胞測(cè)序技術(shù)的大發(fā)展和單細(xì)胞數(shù)據(jù)的積累隨著CRISPR和scRNA-seq實(shí)驗(yàn)的相互結(jié)合“干擾scRNA-seq”也是第一次被提出干擾單細(xì)胞測(cè)序也成為一個(gè)獨(dú)立的方向被機(jī)器學(xué)習(xí)研究者和生物學(xué)家關(guān)注。本文中總結(jié)了一些現(xiàn)有的單細(xì)胞組學(xué)模型除了CellOracle以外其余的模型基本都是針對(duì)干擾前后、疾病對(duì)照的實(shí)驗(yàn)思路進(jìn)行設(shè)計(jì)訓(xùn)練的。因?yàn)镃ellOracle是利用基因調(diào)控網(wǎng)絡(luò)GRN建立的所以CellOracle的工作過(guò)程只能針對(duì)基因、單個(gè)化合物的靶點(diǎn)進(jìn)行分析。除了如DRUG-NEM等個(gè)別模型大部分的模型在Github上都提供有直接使用的版本和配套的安裝方法和使用說(shuō)明。A. 線性回歸和分類(lèi)Linear Regressor/Classifier線性模型通過(guò)對(duì)不同表達(dá)值的線性組合同輸出結(jié)果建立關(guān)系輸出可以是離散指標(biāo)如蛋白靶點(diǎn)或者連續(xù)指標(biāo)如IC50。在單細(xì)胞數(shù)據(jù)大量積累之前這些淺層分類(lèi)器或者回歸模型非常常見(jiàn)。SCATTome就是通過(guò)線性模型來(lái)預(yù)測(cè)不同細(xì)胞狀態(tài)下對(duì)藥物的應(yīng)答cell-state-specific response to drugAugur等人使用了類(lèi)似的但是非線性的隨機(jī)樹(shù)模型來(lái)預(yù)測(cè)這種細(xì)胞-化合物的應(yīng)答。B. 因子分解Factor decomposition因子分解方法將組學(xué)數(shù)據(jù)分解成variation組分不同的幾個(gè)部分。矩陣分解Matrix Factorization就是一種針對(duì)傳統(tǒng)組學(xué)和單細(xì)胞組學(xué)常用的一種分解方法。結(jié)果容易理解并且對(duì)大數(shù)據(jù)容易擴(kuò)展通過(guò)對(duì)表達(dá)值的聚類(lèi)可以進(jìn)一步進(jìn)行機(jī)制方面的討論如信號(hào)通路、生物過(guò)程等均可進(jìn)行富集分析。像上文提到的MUSIC和DRUG-NEM都是通過(guò)這種聚類(lèi)找到關(guān)鍵基因從而對(duì)擾動(dòng)效果進(jìn)行定量或者對(duì)每一個(gè)細(xì)胞每一個(gè)蛋白特征計(jì)算概率密度在嵌入效果模型當(dāng)中使用概率矩陣來(lái)獲得藥物組合的效果。C. 網(wǎng)絡(luò)建模網(wǎng)絡(luò)模型是利用先驗(yàn)信息建立input特征之間相互關(guān)系的方法部分干擾信息的相關(guān)數(shù)據(jù)也是缺失的但借助這些先驗(yàn)知識(shí)可以對(duì)未知事件進(jìn)行預(yù)測(cè)。比如已知單個(gè)藥物對(duì)細(xì)胞系的影響從而預(yù)測(cè)這些藥物組合的干擾效果。CellOracle目前是唯一通過(guò)基因調(diào)控網(wǎng)絡(luò)來(lái)利用先驗(yàn)知識(shí)整合轉(zhuǎn)錄和轉(zhuǎn)錄因子調(diào)控的信息的模型。CellOracle聯(lián)合了scATAC和scRNA-seq數(shù)據(jù)建立可理解的網(wǎng)絡(luò)模型基于該網(wǎng)絡(luò)模型對(duì)一些未知的干擾事件進(jìn)行應(yīng)答預(yù)測(cè)。3. 總結(jié)從上述任務(wù)來(lái)看預(yù)測(cè)擾動(dòng)模型的建立就是為了捕獲生物相關(guān)性讓模型去預(yù)測(cè)一些未知事件從而減少藥物開(kāi)發(fā)時(shí)的費(fèi)用如果模型捕獲基因干擾因素影響的特征那么這些模型就能對(duì)病人對(duì)藥物的敏感性做出解釋和預(yù)測(cè)目前通過(guò)單細(xì)胞轉(zhuǎn)錄組、基因組測(cè)序的方法就提供了重要的數(shù)據(jù)來(lái)源為不同的擾動(dòng)建模提供了數(shù)據(jù)支持。隨著數(shù)據(jù)的大量積累更多的研究會(huì)致力于如何建立全面的擾動(dòng)全景通過(guò)已知預(yù)測(cè)未知透過(guò)已見(jiàn)尋找未見(jiàn)全面深刻的理解分子生物學(xué)調(diào)控機(jī)制同擾動(dòng)的關(guān)系將是下一階段人工智能建模在生物領(lǐng)域的主要方向。單細(xì)胞測(cè)序遇到人工智能一同助力藥物開(kāi)發(fā)。AI大模型學(xué)習(xí)福利作為一名熱心腸的互聯(lián)網(wǎng)老兵我決定把寶貴的AI知識(shí)分享給大家。 至于能學(xué)習(xí)到多少就看你的學(xué)習(xí)毅力和能力了 。我已將重要的AI大模型資料包括AI大模型入門(mén)學(xué)習(xí)思維導(dǎo)圖、精品AI大模型學(xué)習(xí)書(shū)籍手冊(cè)、視頻教程、實(shí)戰(zhàn)學(xué)習(xí)等錄播視頻免費(fèi)分享出來(lái)。一、全套AGI大模型學(xué)習(xí)路線AI大模型時(shí)代的學(xué)習(xí)之旅從基礎(chǔ)到前沿掌握人工智能的核心技能因篇幅有限僅展示部分資料需要點(diǎn)擊文章最下方名片即可前往獲取二、640套AI大模型報(bào)告合集這套包含640份報(bào)告的合集涵蓋了AI大模型的理論研究、技術(shù)實(shí)現(xiàn)、行業(yè)應(yīng)用等多個(gè)方面。無(wú)論您是科研人員、工程師還是對(duì)AI大模型感興趣的愛(ài)好者這套報(bào)告合集都將為您提供寶貴的信息和啟示。因篇幅有限僅展示部分資料需要點(diǎn)擊文章最下方名片即可前往獲三、AI大模型經(jīng)典PDF籍隨著人工智能技術(shù)的飛速發(fā)展AI大模型已經(jīng)成為了當(dāng)今科技領(lǐng)域的一大熱點(diǎn)。這些大型預(yù)訓(xùn)練模型如GPT-3、BERT、XLNet等以其強(qiáng)大的語(yǔ)言理解和生成能力正在改變我們對(duì)人工智能的認(rèn)識(shí)。 那以下這些PDF籍就是非常不錯(cuò)的學(xué)習(xí)資源。因篇幅有限僅展示部分資料需要點(diǎn)擊文章最下方名片即可前往獲四、AI大模型商業(yè)化落地方案因篇幅有限僅展示部分資料需要點(diǎn)擊文章最下方名片即可前往獲作為普通人入局大模型時(shí)代需要持續(xù)學(xué)習(xí)和實(shí)踐不斷提高自己的技能和認(rèn)知水平同時(shí)也需要有責(zé)任感和倫理意識(shí)為人工智能的健康發(fā)展貢獻(xiàn)力量