基因调节网络是负责确定蛋白质和肽生产水平的生物生物体相互作用的网络。蛋白质是细胞工厂的工人，其生产定义了细胞及其开发的目标。已经进行了各种尝试来建模此类网络，以更好地了解这些生物系统，并利用了解它们的灵感来解决计算问题。在这项工作中，提出了一个针对基因调节网络的生物学上更现实的模型，该模型结合了细胞自动机和人工化学，以模拟称为转录因子和基因调节位点的调节蛋白之间的相互作用。这项工作的结果表明，复杂的动力学接近自然界中可以观察到的东西。在这里，对系统的初始状态对产生的动力学的影响进行了分析，这表明可以将这种可转化的模型针对产生所需的蛋白质动力学。

Artificial Intelligence (AI) and Machine Learning (ML) are weaving their way into the fabric of society, where they are playing a crucial role in numerous facets of our lives. As we witness the increased deployment of AI and ML in various types of devices, we benefit from their use into energy-efficient algorithms for low powered devices. In this paper, we investigate a scale and medium that is far smaller than conventional devices as we move towards molecular systems that can be utilized to perform machine learning functions, i.e., Molecular Machine Learning (MML). Fundamental to the operation of MML is the transport, processing, and interpretation of information propagated by molecules through chemical reactions. We begin by reviewing the current approaches that have been developed for MML, before we move towards potential new directions that rely on gene regulatory networks inside biological organisms as well as their population interactions to create neural networks. We then investigate mechanisms for training machine learning structures in biological cells based on calcium signaling and demonstrate their application to build an Analog to Digital Converter (ADC). Lastly, we look at potential future directions as well as challenges that this area could solve.

4月20日至22日，在马德里（西班牙）举行的EVO* 2022会议上提交了末期摘要。这些论文介绍了正在进行的研究和初步结果，这些结果研究了对不同问题的不同方法（主要是进化计算）的应用，其中大多数是现实世界中的方法。

受生物学最复杂的计算机的启发，大脑，神经网络构成了计算原理的深刻重新重新制定。值得注意的是，在活细胞内部的信息处理分子系统（例如信号转导级联和遗传调节网络）内，在信息处理的分子系统中也出现了类似的高维，高度相关的计算体系结构。在其他物理和化学过程中，即使表面上扮演非信息处理的角色，例如蛋白质合成，代谢或结构自组装等表面上，神经形态集体模式是否会更广泛地发现。在这里，我们检查了多组分结构自组装过程中的成核，表明可以以类似于神经网络计算的方式对高维浓度模式进行区分和分类。具体而言，我们设计了一组917个DNA瓷砖，可以以三种替代方式自组装，从而使竞争成核敏感地取决于三个结构中高分化瓷砖共定位的程度。该系统经过训练，以将18个灰度30 x 30像素图像分为三类。在150小时的退火过程中和之后，在实验上，荧光和原子力显微镜监测确定所有训练有素的图像均正确分类，而一组图像变化集探测了结果的鲁棒性。尽管与先前的生化神经网络相比缓慢，但我们的方法令人惊讶地紧凑，健壮且可扩展。这种成功表明，无处不在的物理现象（例如成核）在将高维多分量系统缩放时可能具有强大的信息处理能力。

在本文中，我们以神经处理的水平垂直整合模型的形式阐述了一种新型的神经塑性模型。我们认为，一种新的神经建模方法将受益于第三波AI。水平面由通过传输链路连接的神经元的自适应网络组成，该网络由传播链路连接，该链接生成时空尖峰模式。这符合标准的计算神经科学方法。此外，对于每个单独的神经元，还有一个垂直部分，该部分由内部自适应参数组成，这些参数转向了与神经传播有关的外部膜表达参数。每个神经元都有一个与（a）在膜层处的外部参数相对应的参数的垂直模块化系统，分为隔室（刺，boutons）（b）串膜区域中的内部参数和带有其蛋白质信号网络和（C）的细胞质中的内部参数遗传和表观遗传信息的细胞核中的核心参数。在这样的模型中，水平网络中的每个节点（=神经元）都有其自己的内部内存。神经传播和信息存储是系统分开的，这是突触重量模型的重要概念前进。我们讨论了基于膜的（外部）滤波和外部信号的选择，以通过快速波动和神经元内计算策略从细胞内蛋白质信号传导到细胞核作为核心系统。我们想证明，单个神经元在信号的计算中具有重要作用，并且从突触重量调节假设中得出的许多假设可能无法在真实的大脑中保留。并非每个传输事件都会留下痕迹，而神经元是一种自我编程的设备，而不是由电流输入被动确定。最终，我们努力构建一个灵活的内存系统，该系统自动处理事实和事件。

生命的起源被神秘笼罩着，几乎没有生存线索，被进化竞争所掩盖。先前的评论涉及自上而下和自下而上的合成生物学的互补方法，以增强我们对生活系统的理解。在这里，我们指出这些领域之间的协同作用，尤其是自下而上的合成生物学和生命研究起源之间。我们探讨了与拥挤的细胞，其新陈代谢以及生长和分裂周期以及如何开始合并这些努力的人造细胞隔室取得的最新进展。尽管当前生活的复杂性是其最引人注目的特征之一，但人生的基本特征都不需要它，而且它们从一开始就不太可能出现因此而变得复杂。当前的研究不是通过恢复一个真正的起源而恢复真正的起源，而是通过挑出一组基本组成部分可能产生的复杂性和进化而融合了最小生命的出现。

Agent-based modeling (ABM) is a well-established paradigm for simulating complex systems via interactions between constituent entities. Machine learning (ML) refers to approaches whereby statistical algorithms 'learn' from data on their own, without imposing a priori theories of system behavior. Biological systems -- from molecules, to cells, to entire organisms -- consist of vast numbers of entities, governed by complex webs of interactions that span many spatiotemporal scales and exhibit nonlinearity, stochasticity and intricate coupling between entities. The macroscopic properties and collective dynamics of such systems are difficult to capture via continuum modelling and mean-field formalisms. ABM takes a 'bottom-up' approach that obviates these difficulties by enabling one to easily propose and test a set of well-defined 'rules' to be applied to the individual entities (agents) in a system. Evaluating a system and propagating its state over discrete time-steps effectively simulates the system, allowing observables to be computed and system properties to be analyzed. Because the rules that govern an ABM can be difficult to abstract and formulate from experimental data, there is an opportunity to use ML to help infer optimal, system-specific ABM rules. Once such rule-sets are devised, ABM calculations can generate a wealth of data, and ML can be applied there too -- e.g., to probe statistical measures that meaningfully describe a system's stochastic properties. As an example of synergy in the other direction (from ABM to ML), ABM simulations can generate realistic datasets for training ML algorithms (e.g., for regularization, to mitigate overfitting). In these ways, one can envision various synergistic ABM$\rightleftharpoons$ML loops. This review summarizes how ABM and ML have been integrated in contexts that span spatiotemporal scales, from cellular to population-level epidemiology.

我们提出，生命的连续性及其演变来自称为合身生存的互动群体过程。该过程取代了达尔文人的个人斗争和适合生存理论，这是进化的主要机制。在这里，我们提出，自然过程与计算机自动编码功能相关。自动编码是一种机器学习技术，用于提取输入数据基本特征的紧凑表示。通过自动编码降低维度性，建立一个代码，该代码能够基于解码相关数据的各种应用程序。我们确定以下几点：（1）我们通过其物种相互作用代码定义一个物种，该物种由该物种与其外部环境和内部环境的基本核心相互作用组成；核心相互作用由包括分子细胞 - 生物在内的多尺度网络编码。 （2）通过可持续变化的物种相互作用代码进行进化；这些变化的代码既反映和构建物种环境。物种的生存是通过我们称为自然自动编码的内容来计算的：输入相互作用的阵列会产生物种代码，该代码通过解码为持续生态系统相互作用的网络而生存。 DNA只是天然自动编码的一个元素。 （3）自然自动编码和人工自动编码过程明确定义了相似性和差异。天然自动编码的生存为进化机理提供了新的启示，并解释了为什么可居住的生物圈需要多样化的拟合组相互作用。

蛋白质RNA相互作用对各种细胞活性至关重要。已经开发出实验和计算技术来研究相互作用。由于先前数据库的限制，尤其是缺乏蛋白质结构数据，大多数现有的计算方法严重依赖于序列数据，只有一小部分使用结构信息。最近，alphafold彻底改变了整个蛋白质和生物领域。可预应学，在即将到来的年份，也将显着促进蛋白质-RNA相互作用预测。在这项工作中，我们对该字段进行了彻底的审查，调查绑定站点和绑定偏好预测问题，并覆盖常用的数据集，功能和模型。我们还指出了这一领域的潜在挑战和机遇。本调查总结了过去的RBP-RNA互动领域的发展，并预见到了alphafold时代未来的发展。

This chapter sheds light on the synaptic organization of the brain from the perspective of computational neuroscience. It provides an introductory overview on how to account for empirical data in mathematical models, implement them in software, and perform simulations reflecting experiments. This path is demonstrated with respect to four key aspects of synaptic signaling: the connectivity of brain networks, synaptic transmission, synaptic plasticity, and the heterogeneity across synapses. Each step and aspect of the modeling and simulation workflow comes with its own challenges and pitfalls, which are highlighted and addressed in detail.

这篇理论文章研究了如何在计算机中构建类似人类的工作记忆和思维过程。应该有两个工作记忆存储，一个类似于关联皮层中的持续点火，另一个类似于大脑皮层中的突触增强。这些商店必须通过环境刺激或内部处理产生的新表示不断更新。它们应该连续更新，并以一种迭代的方式进行更新，这意味着在下一个状态下，应始终保留一组共同工作中的某些项目。因此，工作记忆中的一组概念将随着时间的推移逐渐发展。这使每个状态都是对先前状态的修订版，并导致连续的状态与它们所包含的一系列表示形式重叠和融合。随着添加新表示形式并减去旧表示形式，在这些更改过程中，有些保持活跃几秒钟。这种持续活动，类似于人工复发性神经网络中使用的活动，用于在整个全球工作区中传播激活能量，以搜索下一个关联更新。结果是能够朝着解决方案或目标前进的联想连接的中间状态链。迭代更新在这里概念化为信息处理策略，一种思想流的计算和神经生理决定因素以及用于设计和编程人工智能的算法。

在过去的工作中，我们开发了一个基于Conway的生活游戏的共生实体（Model-S）演变的计算模型。在本文中，我们研究了三个趋势，即生物学家在共生的演变中观察到。 （1）管理：如果一个合作伙伴能够控制共生关系，则该控制可以减少冲突;因此，进化选择有利于有经理的辛酸人。 （2）共同主义：虽然共生的合作伙伴往往具有相互冲突的需求，但进化选择有利于伴侣之间的合作。 （3）相互作用：共生中的合作伙伴中的反复互动趋于促进进化选择引起的越来越容易。我们向Model-S添加了仪器，允许我们进行详细的测量，以了解在模拟中可以观察到三种趋势。当我们通过它的儿童人数来衡量一个合作伙伴的健身时，我们发现Fitter Symbiotes的管理，相互主义和互动比不那么贴合的共生体。这些结果证实了生物学家本质上观察到的趋势。 Model-S允许生物学家以不具有生物体的方式研究这些进化趋势和共生的其他特征。

克里斯·兰顿（Chris Langton）所阐明的人工生命研究的目标是“通过将生活与我们的生活定位在更大的生活中，为理论生物学做出贡献.1）。人工进化系统中对开放式进化的研究和追求证明了这一目标。但是，开放式进化研究受到两个基本问题的阻碍。在人工进化系统中复制开放式的斗争，以及我们只有一个系统（遗传进化）来汲取灵感的事实。在这里，我们认为，文化进化不仅应视为开放式进化系统的另一个现实世界的例子，而且文化进化中看到的独特品质为我们提供了一个新的观点，我们可以从中评估，我们可以评估，我们可以评估，这是我们可以评估的基本属性。并询问有关开放式进化系统的新问题，尤其是关于发展的开放性和从边界到无限进化的过渡。在这里，我们提供了文化作为进化系统的概述，强调了人类文化进化为开放式进化系统的有趣案例，并在（进化）开放式进化的框架下将文化进化化。我们继续提供一组新问题，一旦我们考虑了开放式演变框架内的文化演变，并引入了新见解，我们可能会因为询问这些信息而获得有关进化的开放性的新见解。问题。

遗传算法适用于探索大型搜索空间，因为它找到了近似解决方案。由于这一优势，遗传算法在探索诸如分子搜索空间之类的广泛和未知的空间方面是有效的。虽然该算法适用于搜索庞大的化学空间，但是难以在保持分子结构的同时优化药理学特性。为了解决这个问题，我们介绍了一种具有约束分子逆设计的遗传算法。该算法成功地产生了交叉和突变的有效分子。此外，它在使用两相优化粘附到结构约束的同时优化特定属性。实验证明，我们的算法有效地找到满足特定性质的分子，同时保持结构约束。

人工生命的主要目标之一是研究生命的出现的条件，而不是必然，但可能是。人工化学是为此目的最重要的工具之一，因为它们为我们提供了一个基本框架来调查，在这种情况下，可以出现能够再现自己的代谢，最终能够出现。虽然成功地在制定了紧急自我繁殖新陈代谢的例子的情况下，但涉及的规则仍然过于复杂，无法在工作中的基本原则上阐明。在本文中，我们假设自我繁殖代谢所需的关键性质是出现的是存在于自动催化的依赖性化合物的副本。我们通过保护法律验证了这一假设，与保护规律是基于一个称为组合逻辑的完整重写系统。我们的实验表明，从塔巴拉RAS状态开始的单一进行这种化学性，发现 - 没有外部干预 - 广泛的紧急结构包括在每个周期中自我繁殖的那些。所有这些结构采用从环境中获取基本成分的递归算法的形式，并将它们分解在与生物代谢相似的过程中。

离散基因监管网络（GRNS）在鲁棒性和模块化的研究中起着至关重要的作用。评估GRNS稳健性的常见方法是测量它们调节一组扰动基因激活图案回到其未受干扰的形式的能力。通常，通过收集通过基因激活模式的预定分布产生的随机样品来获得扰动。这种采样方法引入了随机性，否定动态。这种动态施加在已经复杂的健身景观之上。因此，在使用采样的情况下，重要的是要理解哪种效果来自健身景观的结构，并且从施加的动力学产生。健身功能的随机性也会导致重现性和实验后分析中的困难。通过考虑基因活性模式的完全分布，我们制定确定性分布适应性评估，以避免适应性评估中的随机性。这种健身评估有助于重复性。其确定性允许我们在健身上确定理论界，从而确定算法是否达到了全局最优。它使我们能够将问题域与嘈杂的健身评估的影响区分开来，从而解决〜\ CiteT {espinosa2010Specialization}问题领域的行为中的两个剩余异常。我们还揭示了解决方案GRNS的一些属性，使它们具有稳健和模块化，导致对问题域的性质更深入了解。我们通过讨论潜在的方向来模拟和理解较大，更复杂的域中的模块化的出现，这是产生更有用的模块化解决方案的关键，并理解生物系统中的模块化的难以。

Artificial intelligence (AI) in the form of deep learning bears promise for drug discovery and chemical biology, $\textit{e.g.}$, to predict protein structure and molecular bioactivity, plan organic synthesis, and design molecules $\textit{de novo}$. While most of the deep learning efforts in drug discovery have focused on ligand-based approaches, structure-based drug discovery has the potential to tackle unsolved challenges, such as affinity prediction for unexplored protein targets, binding-mechanism elucidation, and the rationalization of related chemical kinetic properties. Advances in deep learning methodologies and the availability of accurate predictions for protein tertiary structure advocate for a $\textit{renaissance}$ in structure-based approaches for drug discovery guided by AI. This review summarizes the most prominent algorithmic concepts in structure-based deep learning for drug discovery, and forecasts opportunities, applications, and challenges ahead.

认知是认识的过程。正如动态系统执行的那样，该系统将信息吸收到其状态。一个复杂的代理网络通过形成新兴的宏观级别模式来认识其对环境，内部动力学和初始状态的知识。这样的模式要求每个代理商在部分意识到整个模式的同时找到其位置。通过将系统动力学分为两部分：传播动力学和模式动力学，可以通过将系统动态分为两个部分来实现这种部分意识。快速传播动力学描述了信号在整个网络中的传播。如果它们收敛到慢速模式动力学的任何准静态状态的固定点，则固定点代表宏观信息的聚合。在较长的时间尺度上，代理通过正反馈进行协调以形成模式，这些图案是使用代理图中的闭合步行定义的。模式可以是连贯的，因为模式的每个部分都取决于其他部分的上下文。连贯的模式是可靠的，因为（a）不能预测它们，并且（b）任何部分知识的任何部分都无法映射到模式的任何部分，反之亦然。认知网络的知识是由出现的模式的选择编码或体现的。这里总结的认知理论可以模拟自催化反应扩散系统，人工神经网络，市场经济和蚂蚁菌落优化，以及许多其他真实和虚拟系统。该理论提出了对复杂性作为环境晶格而不是单一度量的新理解。

本文和伴随的Python和C ++框架是作者的产品，感知狭窄（基于歧视）AI的问题。（人工智能）框架试图通过使用共同的规则/交换价值（能量）来开发通过潜在的结构表达式通过潜在的结构表达式产生体验的遗传转移，以创建一个模型，由此通过遗传和实时信号共同依赖于依赖于依赖性开发的神经结构和所有单元过程处理影响;成功的路线由每纪元的峰值分布的稳定性定义，这受到基因编码的形态发育偏见的影响。这些原则旨在通过在为转移学习的模拟中进行培训来创造一个多样化的和强大的网络，这是一种专门的培训将适应一般任务到规模的其他媒体。

生物系统对形态损害非常强大，但人工系统（机器人）目前却不是。在本文中，我们介绍了一个基于神经细胞自动机的系统，其中运动机器人的进化，然后赋予能够通过基于梯度的训练从损害中再生其形态。因此，我们的方法结合了进化的好处，可以发现各种不同的机器人形态，以及通过可区别的更新规则对鲁棒性的监督培训的效率。所得的神经细胞自动机能够生长能够恢复超过80 \％功能的虚拟机器人，即使经过严重的形态损害。