Advanced artificial intelligence approaches are rapidly transforming how biological data are acquired and analyzed.

先进的人工智能方法正在迅速改变生物数据的获取和分析方式。

As editors of a journal devoted to method development in the life sciences, we — just like the communities we serve — have been bracing for a wave of advanced computational approaches that will affect almost all branches of biology. This is not a recent trend, as reflected by several editorials featured in our journal in the past few years, as well as the Method of the Year 2021 celebrating the groundbreaking achievement of high-accuracy protein structure prediction.

作为一本致力于生命科学方法开发的期刊的编辑，我们——就像我们服务的社区一样——一直在准备迎接一波将影响几乎所有生物学分支的先进计算方法。这不是最近的趋势，正如我们期刊在过去几年发表的几篇社论以及2021年庆祝高精度蛋白质结构预测突破性成就的方法所反映的那样。

However, the remarkable prowess and rapid evolution of computational methods, such as generative artificial intelligence (AI) and large language models, inspired us to present this Focus issue, which highlights both innovative new methods and opinions from thought leaders in their respective communities.The subject of advanced AI approaches is incredibly rich and complex.

然而，计算方法（如生成人工智能（AI）和大型语言模型）的非凡能力和快速发展启发了我们提出这个焦点问题，它突出了创新的新方法和各自社区思想领袖的观点。高级人工智能方法的主题非常丰富和复杂。

Although we cover a wide palette of topics in this issue, we acknowledge that the Focus is by no means fully comprehensive. Before delving into our series of Comments that discuss the potential effects of AI across diverse fields, we invite you to read a primer from James Zou and colleagues that introduces language models — one of the most impactful recent developments in machine learning — and their burgeoning applications in biological research1.Advanced machine learning approaches are data hungry.

虽然我们在本期中涵盖了广泛的主题，但我们承认重点绝不是全面的。在深入研究我们讨论人工智能在不同领域的潜在影响的一系列评论之前，我们邀请您阅读James Zou及其同事的入门，介绍语言模型（机器学习中最具影响力的最新发展之一）及其在生物学研究中的新兴应用1。先进的机器学习方法需要数据。

With the fast pace of development of high-throughput omics technology (especially at the single-cell level), massive datasets that profile different molecular modalities from millions of cells provide ideal data sources for model training. In a Perspective, Fabian Theis and colleagues provide a comprehensive overview of transformers (a powerful deep learning architecture) and their applications in single-cell analysis2.

随着高通量组学技术（尤其是单细胞水平）的快速发展，从数百万个细胞中分析不同分子模式的大量数据集为模型训练提供了理想的数据源。从一个角度来看，Fabian Theis及其同事全面概述了transformers（一种强大的深度学习体系结构）及其在单细胞分析中的应用2。

Built by devising pretr.

通过设计pretr构建。

ReferencesSimon, E. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02354-y (2024).Article

https://doi.org/10.1038/s41592-024-02354-y（2024年）。文章

Google Scholar

谷歌学者

Szalata, A. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02353-z (2024).Article

Szalata，A。等人的自然方法https://doi.org/10.1038/s41592-024-02353-z（2024年）。文章

Google Scholar

谷歌学者

Cui, H. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02201-0 (2024).Article

Cui，H.等人的自然方法https://doi.org/10.1038/s41592-024-02201-0（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Hao, M. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02305-7 (2024).Article

Hao，M.等人的自然方法https://doi.org/10.1038/s41592-024-02305-7（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Hou, W. & Ji, Z. Nat. Methods https://doi.org/10.1038/s41592-024-02235-4 (2024).Article

侯，季，Z.自然方法论https://doi.org/10.1038/s41592-024-02235-4(2024).文章

PubMed

PubMed

Google Scholar

谷歌学者

Lotfollahi, M. Nat. Methods https://doi.org/10.1038/s41592-024-02367-7 (2024).Article

Lotfollahi，M.Nat。方法https://doi.org/10.1038/s41592-024-02367-7（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Rosen, Y. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02191-z (2024).Article

Rosen，Y.等人的自然方法https://doi.org/10.1038/s41592-024-02191-z（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Carilli, M., Gorin, G., Choi, Y., Chari, T. & Pachter, L. Nat. Methods https://doi.org/10.1038/s41592-024-02365-9 (2024).Sasse, A. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02331-5 (2024).Article

Carilli，M.，Gorin，G.，Choi，Y.，Chari，T。和Pachter，L.Nat。方法https://doi.org/10.1038/s41592-024-02365-9（2024年）。Sasse，A。等人的自然方法https://doi.org/10.1038/s41592-024-02331-5（2024年）。文章

PubMed

PubMed

PubMed Central

公共医学中心

Google Scholar

谷歌学者

Tian, T., Zhang, J., Lin, X., Wei, Z. & Hakonarson, H. Nat. Methods https://doi.org/10.1038/s41592-024-02257-y (2024).Coleman, K. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02363-x (2024).Article

https://doi.org/10.1038/s41592-024-02257-y（2024年）。科尔曼，K。等人的自然方法https://doi.org/10.1038/s41592-024-02363-x（2024年）。文章

Google Scholar

谷歌学者

Baek, M. Nat. Methods https://doi.org/10.1038/s41592-024-02350-2 (2024).Article

Baek，M.Nat。方法https://doi.org/10.1038/s41592-024-02350-2（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Ahdritz, G. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02272-z (2024).Article

Ahdritz，G。等人的自然方法https://doi.org/10.1038/s41592-024-02272-z（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Powell, B. M. & Davis, J. H. Nat. Methods https://doi.org/10.1038/s41592-024-02210-z (2024).Article

鲍威尔，B.M。和戴维斯，J.H.Nat。方法https://doi.org/10.1038/s41592-024-02210-z（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Rangan, R. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02340-4 (2024).Article

Rangan，R。等人的自然方法https://doi.org/10.1038/s41592-024-02340-4（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Abudayyeh, O. O. & Gootenberg, J. S. Nat. Methods https://doi.org/10.1038/s41592-024-02338-y (2024).Article

Abudayyeh，O.O。和Gootenberg，J.S.Nat。方法https://doi.org/10.1038/s41592-024-02338-y（2024年）。文章

Google Scholar

谷歌学者

Gyori, B. M. & Vitek, O. Nat. Methods https://doi.org/10.1038/s41592-024-02324-4 (2024).Article

Gyori，B.M。和Vitek，O.Nat。方法https://doi.org/10.1038/s41592-024-02324-4（2024年）。文章

Google Scholar

谷歌学者

Li, M. M. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02341-3 (2024).Article

Li，M.M.等人的自然方法https://doi.org/10.1038/s41592-024-02341-3（2024年）。文章

PubMed

PubMed

PubMed Central

公共医学中心

Google Scholar

谷歌学者

Zhang, S. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02334-2 (2024).Article

Zhang，S。等人，自然方法https://doi.org/10.1038/s41592-024-02334-2（2024年）。文章

PubMed

PubMed

PubMed Central

公共医学中心

Google Scholar

谷歌学者

Ma, C., Tan, W., He, R. & Yan, B. Nat. Methods https://doi.org/10.1038/s41592-024-02244-3 (2024).Lei, W. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02370-y (2024).Article

马，C.，谭，W.，何，R.&颜，B.自然方法https://doi.org/10.1038/s41592-024-02244-3(2024).雷等.自然方法https://doi.org/10.1038/s41592-024-02370-y(2024).文章

Google Scholar

谷歌学者

Royer, L. A. Nat. Methods https://doi.org/10.1038/s41592-024-02310-w (2024).Article

Royer，L.A.Nat。方法https://doi.org/10.1038/s41592-024-02310-w（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Januszewski, M. & Jain, V. Nat. Methods https://doi.org/10.1038/s41592-024-02336-0 (2024).Article

Januszewski，M。和Jain，V。Nat。方法https://doi.org/10.1038/s41592-024-02336-0（2024年）。文章

Google Scholar

谷歌学者

Berson, E. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02351-1 (2024).Article

Berson，E.等人的自然方法https://doi.org/10.1038/s41592-024-02351-1（2024年）。文章

Google Scholar

谷歌学者

Fan, J. L. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02364-w (2024).Article

Fan，J.L.等人的自然方法https://doi.org/10.1038/s41592-024-02364-w（2024年）。文章

PubMed

PubMed

PubMed Central

公共医学中心

Google Scholar

谷歌学者

Bernett, J. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02362-y (2024).Article

Bernett，J.等人的自然方法https://doi.org/10.1038/s41592-024-02362-y（2024年）。文章

Google Scholar

谷歌学者

Chen, V. et al. Nat. Methods https://doi.org/10.1038/s41592-024-02359-7 (2024).Article

Chen，V。等人的自然方法https://doi.org/10.1038/s41592-024-02359-7（2024年）。文章

PubMed

PubMed

PubMed Central

公共医学中心

Google Scholar

谷歌学者

Rotem, O. & Zaritsky, A. Nat. Methods https://doi.org/10.1038/s41592-024-02322-6 (2024).Article

Rotem，O。和Zaritsky，A。Nat。方法https://doi.org/10.1038/s41592-024-02322-6（2024年）。文章

Google Scholar

谷歌学者

Prunkl, C. Nat. Methods https://doi.org/10.1038/s41592-024-02332-4 (2024).Article

Prunkl，C.Nat。方法https://doi.org/10.1038/s41592-024-02332-4（2024年）。文章

Google Scholar

谷歌学者

Marx, V. Nat. Methods https://doi.org/10.1038/s41592-024-02369-5 (2024).Article

马克思，V.Nat。方法https://doi.org/10.1038/s41592-024-02369-5（2024年）。文章

PubMed

PubMed

Google Scholar

谷歌学者

Download referencesRights and permissionsReprints and permissionsAbout this articleCite this article Embedding AI in biology.

下载参考文献Rights and Permissions打印和许可关于本文引用这篇将AI嵌入生物学的文章。

Nat Methods 21, 1365–1366 (2024). https://doi.org/10.1038/s41592-024-02391-7Download citationPublished: 09 August 2024Issue Date: August 2024DOI: https://doi.org/10.1038/s41592-024-02391-7Share this articleAnyone you share the following link with will be able to read this content:Get shareable linkSorry, a shareable link is not currently available for this article.Copy to clipboard.

Nat方法211365-1366（2024）。https://doi.org/10.1038/s41592-024-02391-7Download引文发布日期：2024年8月9日发布日期：2024年8月OI：https://doi.org/10.1038/s41592-024-02391-7Share本文与您共享以下链接的任何人都可以阅读此内容：获取可共享链接对不起，本文目前没有可共享的链接。复制到剪贴板。

Provided by the Springer Nature SharedIt content-sharing initiative

由Springer Nature SharedIt内容共享计划提供