某实验室研究人员检测

世界卫生组织8月31日公布的最新数据显示，全球累计新冠肺炎确诊病例已超过2500万，其中美国累计确诊病例已经超过600万。据美国《科学新闻》杂志网站8月31日报道，快速、廉价、准确且容易使用的新冠病毒检测方法对于遏制新冠肺炎大流行，安全重启学校、企业和其他重要机构至关重要，因此无数科学家殚精竭虑，各出奇招，开发出一系列新冠病毒检测方法。比如，有些简易的检测方法可在15分钟或更短时间内诊断出新冠病毒；也有科学家利用“当红”的CRISPR基因编辑技术来快速得出检测结果。黄金标准：检测病毒RNA目前，精确的新冠病毒检测方法的黄金标准是聚合酶链反应（PCR），它甚至可以检测到极微量的病毒遗传物质RNA。使用该方法时，检测人员首先直接从患者体内收集病毒RNA——通常是将棉签插入鼻腔深处收集，随后，在临床实验室将病毒的RNA转化为DNA，然后用专门的仪器加热和冷却该DNA，使其复制增加，以更易于检测出病毒。此过程重复进行约一小时后，可获得新冠病毒检测结果。这类方法相当准确，但某些处于感染极早期的人或由于实验室错误，会产生假阴性结果（检测结果显示未感染病毒，但实际上感染了）。这类技术很少出现假阳性（检测结果显示感染了病毒，而实际上未感染）。因此，如果PCR测试表明某人已感染，那么他们很可能的确携带该病毒。当然，这一方法并非完美无缺，主要缺点是速度慢——通常需要几天才能获得结果。有科学家认为鼻探取样令人感觉不舒服，因此开发了其他实验室检测方法。据美国有线电视新闻网（CNN）8月16日报道，美国食品和药物管理局（FDA）15日宣布，批准将唾液直接检测法（SalivaDirect）用于新冠病毒诊断检测的紧急使用授权，这种方法由耶鲁大学医学院Chantal Vogels团队开发。研究人员称，该检测法高度灵敏，结果与鼻咽拭子相似。在医护人员的观察下，唾液是在无菌容器中自行收集的，无需使用特定的拭子或收集装置。这种分子诊断检测可在3小时内出结果，一次可检测多达92个样本。而且，检测试剂只需几美元。为开发出更快的检测方法，各路科研团队奇招迭出，其中一些研究获得了美国国立卫生研究院（NIH）“快速诊断加速”（RADx）计划的资助，该计划已向7家公司投资了2.487亿美元。例如，位于圣地亚哥的Mesa Biotech公司接受了RADx的资助，制造PCR检测装置。该公司表示，其研发的Accula检测方法可通过分析喉部与鼻腔的拭抹样本，在30分钟内检测出患者体内是否有新冠病毒。Accula检测系统非常轻便，可以放到人的手掌上，其应用可大大加快对新冠病毒的检测速度，预计很快可推广应用到临时检验设施、医生诊所、急救中心和护理中心。另辟蹊径：检测抗原除了上述方法，研究人员还开发出了一些抗原检测方法。这种方法检测的不是病毒RNA，而是病毒颗粒中的蛋白。这些病毒蛋白也是抗原，即它们在侵入人体时会刺激免疫反应。这种抗原检测方法与诊断流感患者的抗原检测方法类似。麻省理工学院生物工程师金柏莉·哈迈德-斯契费尔利强调说，不要将抗原检测与抗体检测混为一谈，新冠肺炎抗原检测是使用抗体来检测病毒蛋白。RADx资助的研究中就有一种抗原检测方法，由总部位于圣地亚哥的Quidel公司开展，仅需15分钟即可得出结果。今年5月，FDA批准了该公司的抗原检测方法的紧急使用授权，这是此类新冠病毒检测方法首次在美获批。不过，FDA也提出了警告，抗原检测对病毒具有很高的针对性，但敏感性较低，这意味着得出的阳性结果准确性高，但得出假阴性结果的可能性也比较高。此外，雅培制药公司的一款名为BinaxNOW的便携式测试盒，也是检测抗原，于8月26日获得FDA紧急使用授权。其也能在15分钟内得出结果，售价仅为5美元。雅培表示，计划到10月后，每月生产5000万套这种快速测试盒。哈迈德-斯契费尔利解释说，抗原检测的好处是不需要任何专门的实验室仪器或酶，“一切都自给自足的”。但如果不扩增病毒物质，抗原检测的灵敏度可能不如PCR等方法，导致假阴性结果发生率较高，FDA抗原检测紧急使用授权指南称，这一比例最高可达20%。目标：快捷、准确且廉价科学家认为，新冠病毒检测领域的目标应该是一种快速、简便、准确且廉价的方法，可以被广泛使用，包括居家使用。麻省理工学院麦戈文脑科学研究所的张锋等人，正在朝此目标迈进。该团队开发了使用基因编辑工具CRISPR的检测方法。被检者要做的就是将样品（来自鼻拭子或唾液）添加到带有反应溶液的试管中，在一锅水中将试管加热到60℃，加热一小时，然后在试管中放入一张试纸，即可检出样本中是否含有新冠病毒。团队在5月8日的医学类预印本杂志medRxiv上发布论文称，这种新检测方法名为STOPCovid，它可以像PCR检测法一样识别出新冠病毒病例，成本不到10美元。该方法适用于唾液或鼻咽拭子样本，每个反应的检测下限为100个RNA拷贝。此外，STOPCovid可以被集成在一个低成本的模块化试剂盒中，广泛应用于医院、测试站、办公室和家里。无独有偶，加州旧金山大学研究团队以及由阿根廷布宜诺斯艾利斯大学主导的团队也开发了基于Cas12的新冠病毒CRISPR检测技术。米娜说，随着众多检测新冠病毒的新技术纷至沓来，“我们将借助一些崭新的诊断方法来摆脱新冠肺炎疫情”。本报记者 刘 霞

人类视觉如何形成？时至今日，这仍然是一个“迷”：大脑的视觉系统从世界本身收到的信息却非常有限，这同时也意味着，我们“看到”的大部分内容主要来自想象。纽约大学数学家Lai-Sang Young表示：“我们认为自己看到的很多东西是经过大脑进行重构的，实际上我们并没有看到。”大脑在创建视觉世界方面的表现确实非常出色，遗憾的是，纯粹的解剖学研究并不能揭示大脑如何创造这些图像——这项任务本身就非常困难，类似于盯着汽车发动机来破解热力学定律。而最新研究表明，数学可能是解决这个问题的关键。在过去几年当中，Young与她在纽约大学的同事（神经科学家Robert Shapley以及数学家Logan Chariker）开展了一项脑洞大开的合作。他们正在共同构建一套单一数学模型，并与多年以来的生物实验结果结合起来，从而解释大脑如何根据非常有限的视觉信息，创造出精美的视觉化观察效果。通过在每次实验中向其中添加一种基本视觉元素，他们解释了视觉皮层中的神经元如何通过相互作用的方式，检测出物体的边缘与对比度变化。现在，他们正在研究大脑对物体移动方向的感知方式。根据以往积累下的人类视觉实验素材，对视觉皮层的结构做出合理假设，这是一种前所未有的研究方法。具体而言，Young、Shapley和Chariker在数学模型中融入了关于视觉皮层的严格且非直观的生物学结论，希望以统一的方式解释视觉现象的可能产生途径。>>> 视网膜与视觉皮层之间的连接非常有限生物学告诉我们，我们的眼睛就像是镜头，负责接收来自外界的光线，能够将视野等比例复制并投射至位于眼睛后部的视网膜上。视网膜直接对接视觉皮层，即后脑中负责视觉的区域。然而，视网膜与视觉皮层之间的连接非常有限。在这个仅相当于四分之一满月（地面观察角度）大小的视觉区域之内，只有约10个神经细胞负责将视网膜连接至视觉皮层。这些细胞构成了LGN，即外侧膝状体——这也是视觉信息从外界传播至大脑当中的唯一途径。LGN细胞不仅数量稀少，能力也非常“捉急”。当LGN细胞在视野的某一微小部分中检测到从暗到亮的变化（反之亦然）时，LGN细胞会向视觉皮层发送脉冲。亮度调整后的视野开始向视网膜传输新的数据，但大脑真正能够接收到的，仍然是由微小LGN细胞集合传递来的微弱信号。整个图像还原过程，就像是在用餐巾纸上的手稿片段整理出一部长篇小说。Young指出，“大家可能会认为，大脑中映照出的就是我们在视野中看到的东西。但实际上，大脑不是这样工作的；映射是视网膜的任务，但从视网膜传递至视觉皮层的信息其实很少。”虽然皮层与视网膜之间只通过较少的神经元连接，但皮质本身却拥有丰富且密集的神经细胞。对于每10个连接视网膜的LGN神经元，神经皮层一侧就会在初始“输入层”中安排4000个与之对应的神经元。这样的结构，表明大脑会对其接收到的视觉数据进行深度处理。对于像Young、Shapley以及Chariker这样的研究人员来说，其中的核心挑战在于，如何解读大脑的整个处理过程。>>> 视觉信息传递是“反馈”循环而不是“前馈”循环事实上，Young、Shapley以及Chariker并不是首次尝试用数学模型解决这个问题的研究者。但是，不同之处在于，之前所有的研究都假设视网膜与视觉皮层之间拥有更多信息传播通道，从而给视觉皮层对于刺激的反应原理找出一种更简单的解释途径。长久以来，数学家们已经一次又一次成功解决了建模变化问题，从台球运动轨迹到时空演变皆在此列。这些，正是所谓“动态系统”的直接表现——系统会根据固定的规则，随时间推移而发生变化。在大脑当中存在的神经元间相互作用，也属于一类动态系统——只不过其遵循的规则更为微妙，而且难以确定。LGN细胞可以向视觉皮层发送一系列电脉冲，电压仅为十分之一伏，持续时间为一毫秒。这些脉冲，能够引发一系列神经元间相互作用。Young表示，与我们更熟悉的物理系统相比，这类交互活动中的规则几乎称得上“无限复杂”。▲ 纽约大学数学家Lai-Sang Young单一神经元会同时接收来自数百个其他神经元的信号，其中一部分信号会促使前者进一步发射信号，另一部分则会抑制其继续发射脉冲。当神经元接收到这些兴奋性及抑制性电脉冲时，其细胞膜上的电压就会发生波动。只有该电压（或者叫「膜电位」）超过某一阈值时，对应反应才会被触发。而目前，我们几乎无法预测这种情况何时发生。Young指出，“如果大家着眼于单一神经元的膜电位，就会发现其存在上下波动。我们没有办法准确判断其何时才会被触发。”实际情况的复杂度远不止于此。如果有几百个神经元接入某一单个神经元，情况又会如何？当它随时接收来自数百个其他神经元的信号时，视觉皮层也正是由无数个这样的反馈循环所构成。Shapley表示，“问题在于，这个过程中存在着大量活动组成部分，这也是其中最核心的挑战所在。”早期的视觉皮层模型往往会忽略这一特征。当时的研究人员们认为，信息仅以一种方式进行流动：从眼睛前部到后部的视网膜，再到视觉皮层，最后传递至后脑中的对应区域，整个过程如同在工厂的传送带上传输零部件一样单纯。这类“前馈”模型的创建难度更低，但却忽略了解剖学中的一项基本原则——生物体以“反馈”循环作为基本组成部分。Young指出，“反馈循环真的很难处理，因为信息会不断回归并引发变化，然后再回归、再引发新的变化。更重要的是，这种循环在大脑当中无处不在，而且几乎没有任何现有模型能够准确加以处理。”在2016年发表的第一篇论文当中，Young、Shapley以及Chariker开始重视这些反馈循环。他们在模型的反馈循环中引入了类似于蝴蝶效应的机制：来自LGN细胞的信号在发生微波变化后，会经由一个又一个反馈循环后被逐步放大。他们将这一过程称为“反复激发”，并认为该过程会在最终模型中对视觉结果产生巨大的影响。Young、Shapley以及Chariker证明，他们的富反馈模型能够基于进入模型的弱LGN输入信号的微小变化，重现物体边缘的指向——从垂直到水平，以及介于这二者之间的所有指向情况。这意味着，科学家们可以只利用极少数对接其他神经元的神经元在视觉系统当中标示所有方向。然而，边缘检测只在视觉系统中占据很小一部分，而2016年的论文也仅仅只是开始。接下来的挑战，在于如何在模型当中添加额外的视觉元素，同时又不影响到以往元素的实际作用。Young解释称，“如果某个模型能够提供正确的结果，那么该模型也应该能够顺利完成其它一些任务。这就像我们的大脑，不需要做出任何调整，就能够在观察不同对象时做出不同的反应。”>>> 数学+生物学：为研究迈出重要一步在实验室条件下，研究人员们选择了对灵长类动物而言最简单的视觉刺激内容——黑白模式。在黑白模式下，能够调整的变量只有画面对比度以及进入视野的具体方向。研究人员们利用电极连接至灵长类动物的视觉皮层，同时跟踪在响应刺激的过程中产生的神经脉冲。一套理想的模型，应该能够在面对相同的刺激时给出同样类型的输出脉冲。▲ 纽约大学神经科学家Robert ShapleyYoung指出，“如果向灵长类动物展示某些图片，它们就会做出对应的反应。根据这些信息，我们尝试对其进行逆向工程，从而让自己的模型拥有相同的处理能力。”2018年，三位研究人员发表了第二篇论文，证明了用于检测边缘的同一套模型，也能够重现视觉皮层当中被称为“伽马节律”的脉冲活动的整体性模式。（类似于我们观察萤火虫时，看到的其以群体为单位呈现出的发光模式。）目前，他们的第三篇论文已经提交审阅，主要内容是解释视觉皮层如何感知对比度变化。他们的解释涉及兴奋神经元加强彼此活动性的机制，并认为这种效果类似于舞会上人们相互暗示、并共同营造出欢乐氛围的方式。既然视觉皮层能够从稀疏的输入数据中创建出完整图像，那么这种机制无疑不可或缺。目前，Young、Shapley以及Chariker正致力于将方向灵敏度指标添加到模型当中，用以解释视觉皮层如何重建物体在视野中的移动方向。接下来，他们还计划解释视觉皮层如何识别视觉刺激当中的时间模式。例如，我们希望了解我们如何从交通指示灯的变换中感受到闪烁现象，但却不会在观看电影的时候把画面按照逐帧形式理解。在后一个问题中，他们会建立一套简单的模型，仅充当六层神经皮层中的一层——即负责为大脑呈现粗略视觉印象轮廓的层。他们目前的工作还没有涉及余下的五层，这是因为其它几层负责进一步处理其它更为复杂的视觉元素。另外，他们也没有说明视觉皮层如何区分颜色。事实上，颜色的区分机制要远比我们想象的更复杂，需要涉及完全不同且更为繁琐的神经通路。虽然他们的模型还远未能揭开整个视觉系统的神秘面纱，但却已经朝着正确的方向迈出了重要一步——这是第一套以具备生物学合理性方式、尝试破译视觉机制的模型。

上个月，OpenAI 发布其最新语言模型——GPT-2，但因为担心它可能被用来制造大量伪造和虚假的信息，颇为戏剧性地决定不开源该模型。这一决定也使得 AI 社区开始讨论：如何检测这类虚假新闻。在一项新实验中，来自麻省理工学院-IBM Watson 人工智能实验室和哈佛大学自然语言处理实验室的研究人员思考，能够生成如此逼真的文本的语言模型，是否可以用来检测其他语言模型生成的文本的真假。图 丨 OpenAI GPT-2 生成的假新闻。（来源：HENDRIK STROBELT AND SEBASTIAN GEHRMANN）这个假设背后的想法很简单：语言模型通过不断预测单词序列中的下一个概率最大的单词来产生句子。因此，如果某个语言模型能够轻松地预测某一段落中的大部分词语，那这段文本很可能就是这个语言模型生成的。研究人员通过构建基于 OpenAI GPT-2 开源的小模型的交互式工具来测试他们的想法。当为该工具提供一段文字时，它会让每个单词高亮不同的颜色，从绿色到黄色到红色，表示预测几率逐渐下降；如果语言模型根本没有预测出某一单词，它会用紫色高亮该单词。所以从理论上讲，红色和紫色词的越多，该文本由人类书写的概率就越大；如果绿色和黄色词的份额越大，该文本由语言模型生成的概率就越大。图 丨 OpenAI GPT-2 小模型生成的文本。（来源：HENDRIK STROBELT AND SEBASTIAN GEHRMANN）事实上，研究人员发现，GPT-2 的小模型和完整版本的模型所写的段落几乎完全是绿色和黄色，而人类写的科学文摘和美国入学标准化测试中阅读理解段落中的文字有很多红色和紫色。图 丨 美国入学标准化测试中的阅读理解短文，由人类书写。（来源：HENDRIK STROBELT AND SEBASTIAN GEHRMANN）但事情没有想象中的简单。Janelle Shane 是一位负责运营“Letting Neural Networks Be Weird“博客的研究员，她并未参与前文所述的研究。她将该工具用于更严格的测试，不仅仅提供 GPT-2 生成的文本，还提供了由其他语言模型生成的文本，包括一个用亚马逊评论训练的模型和一个用《龙与地下城》语料训练的模型。她发现，这个工具无法预测每个段落中的大部分单词，因此该工具认为这些文本是人类写的。这说明一个重要观点：语言模型可能擅长检测自己的输出，但不一定擅长检测其他语言模型的输出。看来，人类打击互联网假新闻还是任重道远啊。

机器之心发布机器之心编辑部近日，阿里安全图灵实验室和中科院计算所合作提出一种只需要视频级别标注的新型 DeepFake 视频检测方法，该方法更加关注现实中广泛存在的部分攻击（篡改）视频问题，能够从视频中准确识别出被篡改的人脸。DeepFake 概况随着换脸技术的升级及相关应用的开源，换脸用途也从最初的娱乐逐渐演变成犯罪工具，对人们的名誉和社会的安定形成潜在的威胁。例如，今年 2 月份在德里议会选举的前一天，一个被 DeepFake 篡改过的政客讲话视频在 WhatsApp 上流传，对选举造成了极大的影响 [1]；而在某成人视频网站上，某女星的脸被「安」在了成人视频女主角脸上，给女星的名誉带来了负面影响……鉴于这项技术所带来的伦理问题和潜在威胁，先进的 DeepFake 检测技术是非常必要的。在以前的研究中，DeepFake 视频检测主要专注于在具备强监督标注的情况下，如何较好地检测到 DeepFake 图像或者人脸。不同于之前的工作，阿里安全图灵实验室和中科院计算所合作完成的一项研究更加关注现实中广泛存在的问题：部分攻击（篡改）的视频，即视频中只有部分人脸被篡改了。如下图所示，图 1 左图显示的是完全 DeepFake 攻击，其原图里仅有一张人脸被替换。而图 1 右图中有多张人脸，但只有红框中的人脸是被替换过的。图 1：完全 DeepFake 攻击 [2] 和部分 DeepFake 攻击 [3]。（图片来源：YouTube）目前的 DeepFake 检测工作主要分为两类：帧级检测 [4][5] 和视频级检测 [6]。基于帧级的检测方法不仅需要成本较高的帧级别标注，在转化到视频级任务时，还需要设计巧妙的融合方法才能较好地将帧级预测转化为视频级预测。简单的平均值或者取最大值极易导致漏检或误检。而之前基于视频级别的检测工作，比如 LSTM 等，在 DeepFake 视频检测时，过多专注于时序建模，导致 DeepFake 视频检测效果受到一定限制。阿里新研究：S-MIL图 2：S-MIL 算法框架图为了更好地检测部分篡改的 DeepFake 视频，阿里研究人员提出了一种只需要视频级别标注的新型 DeepFake 视频检测方法。论文链接：https://arxiv.org/pdf/2008.04585.pdf由于在视频检测任务中，人脸或帧级标注是缺失的，如果像基于帧级检测的方法那样，直接将视频标签当作每张人脸的标签，会引入训练噪声，训练很可能无法收敛。回顾 DeepFake 视频的定义：只要视频中有一张人脸被篡改，那么该视频就被定义为 DeepFake 视频。这和多实例学习是吻合的。在多实例学习中，一个包由多个实例组成，只要其中有一个实例是正类，那么该包就是正类的，否则就是负类。基于这个观察，该研究提出了基于多实例学习的 DeepFake 检测框架，将人脸和输入视频分别当作多实例学习 (Multiple Instance Learning, MIL) 里的实例和包进行检测。但是传统的多实例学习存在梯度消失问题 [7]，为此，研究人员提出了 Sharp-MIL (S-MIL)，将多个实例的聚合由输出层提前到特征层，一方面使得聚合更加灵活，另一方面也利用伪造检测的目标函数直接指导实例级深度表征的学习，从而缓解传统多实例学习面临的梯度消失难题。该研究通过理论证明了 S-MIL 可以缓解传统 MIL 存在的梯度消失问题。传统 MIL 定义：其中，p_i 和 p^j_i 分别是第 i 个包及其包里第 j 个实例的正类概率，M 为包里的实例数。S-MIL 定义：其中 e 是网络参数，h^j_i 是包 i 中实例 j 对应的特征。在实例设计上，与传统多实例学习的设定一样，该研究中实例与实例间是相互独立的。但由于 DeepFake 是单帧篡改的，这导致同一人脸在相邻帧上会有一些抖动，如图 3 所示。图 3：DeepFake 篡改导致时序抖动示意图 [8]于是，该研究设计了时空实例，用来刻画帧间一致性，辅助 DeepFake 检测。具体而言，研究人员使用文本分类里常用的 1-d 卷积，使用不同大小的核对输入的人脸序列从多视角上进行编码，从而得到时空实例，用于最终检测。实验结果S-MIL 算法的最终检测效果图如下所示，从中可以看到，假脸的权重较高。这说明 S-MIL 方法在仅需视频级标签的情况下，可以很好地定位到假脸，且具有一定的可解释性。图 4：DeepFake 视频检测结果示意图该算法在公开数据集上的表现如下图所示，从中可以看出，该方法在视频检测方面能到达到 state-of-the-art 的效果：业务场景和技术应用在上述技术革新下，阿里安全图灵实验室 DeepFake 检测技术在视频检测和帧级检测领域排名前列。该技术的共同研究者、中科院计算所副研究员王树徽认为，除了部分换脸检测任务之外，该研究成果对于一般性的视频多实例学习与标注技术研究也具有重要的启发意义。今年 3 月，阿里发布新一代安全架构，致力于从源头防范安全威胁，构建安全体系，并打造数字基建安全样板间。DeepFake 检测技术作为新一代安全架构技术底座中的核心 AI 技术，对数字基建的安全建设起到重要作用，并成功实现落地应用。阿里安全图灵实验室资深算法专家华棠介绍道：「虽然已有一些政策强制要求 DeepFake 视频在传播时必须标注属于 DeepFake 视频，但 DeepFake 视频一旦传播，对个人、对群体造成的伤害都是巨大的，所以要遏制源头。目前，我们已经将这个检测技术使用在内容安全场景中，后续也会在直播场景进行布局。」目前，阿里已将基于小规模图像的高效学习框架技术应用在内容安全中，并赋能内外的多个业务场景，内部业务包括淘宝视频、淘宝直播和优酷；对外通过绿网对外进行商业化输出，服务外部的大中小客户。参考文献[1] https://www.qbitai.com/2020/02/11740.html[2] https://www.youtube.com/watch?v=I5rLi7FXIe8&t=95s[3] https://www.youtube.com/watch?v=BU9YAHigNx8[4] Andreas Rossler, Davide Cozzolino, Luisa Verdoliva, Christian Riess, Justus Thies, and Matthias Niesner. 2019. Faceforensics++: Learning to detect manipulated 998 facial images. In arXiv preprint arXiv:1901.08971.[5] Ling Li, Jianmin Bao, Ting Zhang, Hao Yang, Dong Chen, Fang Wen, and Baining Guo. 2019. Face X-ray for More General Face Forgery Detection. CVPR.[6] Ekraam Sabir, Jiaxin Cheng, Ayush Jaiswal, Wael AbdAlmageed, Iacopo Masi, and Prem Natarajan. 2019. Recurrent convolutional strategies for face manipulation 1000 detection in videos. Interfaces (GUI) 3 (2019), 1.[7] Xinggang Wang, Yongluan Yan, Peng Tang, Xiang Bai, and Wenyu Liu. 2018. 1018 Revisiting multiple instance neural networks. Pattern Recognition 74 (2018), 15–24.[8] https://ai.facebook.com/datasets/dfdc/

参考消息网4月29日报道香港《南华早报》网站4月28日刊登题为《新冠病毒源自武汉实验室的阴谋论令人关注安全等级极高的设施》的文章称，中国中部城市武汉的一个生物安全实验室已经成为有关新冠病毒的一系列阴谋论的中心，该实验室是世界上安全级别最高的设施之一。现文章摘编如下：尽管最近有说法认为新冠病毒可能以某种方式从该实验室泄漏，但它——以及其他类似设施——有严格的预防措施来防止这种情况发生。熟悉在这种环境下工作的人解释说，在那里工作的研究人员要接受一系列严格的检查和控制措施。虽然一些好莱坞电影和电子游戏《生化危机》使公众了解到病原体意外泄漏的情况，但科学家说，这种情况不大可能发生在旨在控制致命病原体、且必须经过认证达到最高安全标准的实验室。中国科学院武汉病毒研究所国家生物安全实验室被认证为生物安全防护等级四级设施（即P4实验室），位列一个由全球50多个规划中或已投入运行的同等级实验室组成的精英俱乐部。武汉国家生物安全实验室获准研究最致命的病原体，例如埃博拉病毒、西非拉沙病毒和克里米亚-刚果出血热病毒。其他安全级别较低的设施研究致命性较低的病原体。武汉国家生物安全实验室主任袁志明否认了新冠疫情暴发与该实验室有关。其他科学家和世界卫生组织也一再否认有关新冠病毒是在实验室经过基因工程改造的说法。在2015年武汉国家生物安全实验室落成之后，研究员石正丽对《湖北日报》记者说，在普通实验室只花半小时的实验，在P4实验室做可能需三个小时。就算去冰箱拿个东西，也可能要经过几道门，“这是非常繁杂的过程，但必须这样做”。研究人员说，在这些设施里，实验所用的动物在被丢弃前要经过高压消毒，所有废弃物都在实验室里经过处理。所有进入或离开这座设施的人都必须进行体温测定，研究人员定期接受抽血检测。作为安全规程的一部分，工作人员的活动还被记录和保存。一般来说，进入此类实验室的科学家身穿全套正压防护服，此外还有两层防护服。他们有自己的氧气供应，因此不呼吸实验室里的空气。该设施利用负压和气闸门来阻止污染空气外泄。研究人员在离开设施时必须经过化学浴消毒，并经过严格的出入程序。在排出之前，实验室的空气须经过过滤，废水须经过处理。研究人员还需要接受安全规程方面的培训，才能获准在这种高度密闭的设施里工作。2015年1月30日，科研人员在P4实验室内进行各项适应性实验演练。 新华社记者 殷刚 摄

【健康：研究人员发现了预测行为的神经代码】导语：国家眼科研究所（NEI）的科学家发现，上丘中的神经元是允许我们探测视觉物体和事件的关键因素。这种结构无助于我们识别具体的对象或事件是什么; 相反，它是决定某些东西存在的大脑的一部分。通过比较同时记录左右上丘的大脑活动，研究人员能够预测动物是否正在观察事件。该研究结果发表在“ 自然神经科学 ”杂志上，NEI是美国国立卫生研究院的一部分。在我们的环境中感知对象不仅需要眼睛，还需要大脑过滤信息，对其进行分类，然后理解或决定对象实际存在的能力。每一步都由大脑的不同部分处理，从眼睛的光敏视网膜到视觉皮层和上丘。对于难以看到的事件或物体，可用和记录在大脑中的视觉信息量的微小变化可以是绊倒椅子或成功避开它之间的差异。这项新的研究表明，这个过程决定一个物体存在或者视野中发生了一个事件由上丘处理。“虽然我们很长一段时间都知道上丘与感知有关，但我们确实想知道这部分大脑是如何控制感知选择的，并找到一种用数学模型描述该机制的方法，”该研究的第一作者詹姆斯赫尔曼博士说。“上丘在我们处理和检测事件的能力中起着基础作用，”NEI感觉运动研究实验室首席研究员，该研究的高级作者Richard Krauzlis博士说。“这项新工作不仅表明特定的神经元群体直接导致行为，而且常用的数学模型可以预测基于这些神经元的行为。”基于从感官接收的信息决定采取行动的过程被称为“感知决策”。大多数关于感知决策的研究在人类，非人类灵长类动物或其他动物中，使用数学模型来描述动物所显示的刺激之间的关系和动物的行为。但由于大脑中的视觉信息处理非常复杂，科学家们一直在努力证明这些数学模型能够准确地模拟决策过程中大脑中发生的生物过程。在他们的新研究中，Krauzlis，Herman及其同事使用“累积阈值模型”来研究上丘神经元活动与行为的关系。这种常用的模型假定信息会随着时间的推移而累积，直到达到某个阈值，然后一个人或一个动物做出决定。因为个别神经元可以慢慢地以这种方式建立信息，Herman并且Krauzlis选择使用神经信号作为他们的行为预测模型的输入。该研究人员训练的两名猴子承接感性决策任务：同时按住杠杆，猴子们在他们的周围视觉微妙色彩变化的响应。研究人员会向猴子提示他们应该注意哪一方。如果提示侧改变颜色，猴子应该释放杠杆，但如果非提示侧改变颜色，猴子应该忽略它。在任务期间，研究人员同时记录了猴子大脑右侧和左侧上丘的信号。虽然大脑的两侧都响应颜色变化而激活，但研究人员发现，如果双方神经元活动的差异达到一个特定的阈值，会释放杠杆。为了确定这种差异神经元激活是否导致猴子的行为，研究人员只在一侧直接改变了神经元激活，或者将药物注射到略低的神经元活动，或用微小的电荷刺激神经元来提高它们的活动。当神经元信号在反应提示颜色变化的一侧更强时，猴子更好地报告提示变化和拒绝箔颜色变化。当神经元信号在那一侧较低时，猴子在报告颜色变化方面较差。可以通过对阈值模型的简单计算调整来预测这些行为改变。Krauzlis说，使用颜色变化刺激的一个原因是，上丘本身并不处理这些信息。相反，大脑的其他部分处理变化的颜色，并将该信息传递给上丘以便做出决定。实质上，上丘中神经元活动的这种简单的微分阈值触发动物报告视野中某物的存在。“令人惊讶的是，尽管我们在大脑皮质中具有复杂的视觉机制，但这些进化上较老的结构对于我们习惯的视觉感知仍然至关重要，”赫尔曼说。“对于这类任务，你不会被要求确切地说出是什么东西，但你只是说，它确实发生了，那么上丘的这种活动似乎既有必要又充足，”Krauzlis说。总结：虽然该模型准确地预测了基于上丘活动的行为，但是上丘中神经元的激活模式和信号阈值本身对于每只猴子是独特的，这意味着每只猴子具有其自己的行为信号代码。

▲美国传染病学专家福奇（图源：路透社）日前，有“美国钟南山”之称的美国顶级传染病学家福奇就所谓“新冠病毒来自中国实验室”的阴谋论作出反驳，认为病毒是从动物传染给人类的，否定了上述这一毫无依据的谬论。▲报道截图▲报道截图美媒商业内幕网站在一篇题为“福奇博士给‘病毒由中国实验室制造’的阴谋论泼了一盆冷水”的文章中，还原了福奇当天在白宫疫情简报会上的表态。报道称，当天会上有记者向福奇提问，让其谈谈关于病毒由来的看法，福奇则明确回答道，“有一项最近的研究我们可以提供给你，一队高素质的病毒进化学家对新冠病毒序列以及蝙蝠进化时的序列进行了研究，发现目前新冠病毒的突变与某物种将病毒从动物身上传递给人类的过程完全吻合”。福奇还在回答中强调，针对新冠病毒基因组的研究强烈表明，它是从动物传染给人类的，并非是在实验室的环境中产生或增强的。报道指出，福奇的说法与一篇3月中旬刊登在权威科学杂志《自然科学》上的研究提到的观点是一致的。该研究由美国加州斯克里普斯研究所的计算生物学家安德森（Kristian Andersen）领导，将新冠病毒同已知曾造成人类感染的其他6种冠状病毒进行比较，并得出明确结论，“我们认为任何关于病毒来自实验室的说法都是不合理的”，证据表明“新冠病毒不是一种故意操纵的病毒”。反观叫嚣“病毒起源于中国实验室”的人，其实并不能拿出任何证据来证明这一荒诞的说法。商业内幕援引美国政客网站的报道指出，虽然美国情报界一直在调查新冠病毒是否是由研究人员收集，之后意外从中国实验室泄漏，但至今未找到证据。美国疫情的严峻形势已持续一段时间，而白宫抗疫不力则饱受美国民主党和公共卫生专家的诟病。报道称，白宫未能在疫情前期采取行动，使得美国在病毒检测方面落后于世界上很多国家，而缺乏广泛的检测更是未来复工复产的最大障碍之一。面对来自美国国内的质疑，白宫干脆将锅甩给中国和世卫组织，而此举却引发了更大的指责声。报道指出，一些民主党人士和前政府官员谴责白宫寻找替罪羊，旨在逃避自身应对疫情的失败。据约翰斯·霍普金斯大学实时数据显示，截至北京时间22日16时20分左右，美国新冠肺炎确诊病例累计已超82.5万例，达825306例，累计死亡病例45075例。世卫组织：新冠病毒来源是动物，没有实验室操作迹象▲世卫组织（图：路透社）据路透社报道，世界卫生组织当地时间4月21日表示，所有现有证据表明，新型冠状病毒是来源于动物，并不是在实验室中被创造出来。世卫组织发言人法德拉·夏伊布（Fadela Chaib）在日内瓦的新闻发布会上称，所有现有证据表明该病毒是来源于动物，并非在实验室或其他地方制造出来，这种病毒很可能是起源于动物。夏伊布说，“目前尚不清楚该病毒如何越过了人类的物种屏障，但可以确定的是其中存在中间动物宿主。它很可能在蝙蝠中拥有其生态库，但是该病毒如何从蝙蝠到人类仍然有待观察和发现。”此外，夏伊布在被问及美国总统特朗普暂时停止向世卫组织供资金时表示，“我们仍在评估情况，可以确认的是，我们将与其他合作伙伴一起填补任何空白。”（来源：海外网）

据外媒报道，碳有许多不同的结构，最著名的应该就是石墨和金刚石（钻石）了。据预测，其他形式的碳结构存在于极高的压力之下，但现在研究人员在实验室对最高压力下的碳进行了检测且发现金刚石存在的时间比预期的要长得多。碳是宇宙中最丰富的元素之一，是所有已知生命和地球本身大部分物质构成的基础。在不同的环境下它会以不同的形式存在--地球内部的高压和高温使其变成了金刚石。其他更奇特的结构预计会在更高的压力--超过1000 GPa条件下存在。于是在一项新的研究中，一组科学家对碳施加了远远高于这一压力的压力以找出其他形式可能是什么。研究人员将固体碳压到2000 GPa的条件下--是地核压力的5倍，是之前在实验室研究碳时所承受压力的2倍。该项研究的论文合著者Gilbert Collins说道：“这是已经测量到的任何原子结构的最高压力，是在状态方程、材料强度、熔化和碳的化学键的关键约束。”研究团队使用坡道形状的激光脉冲来压缩碳并使用X射线衍射平台以拍摄其晶体结构的纳秒级图像。令人惊讶的是，研究人员发现碳保持其金刚石结构的时间比预期的要长得多。似乎钻石的分子键比人们之前认为的还要稳定得多。“碳的金刚石相似乎是迄今为止探索过的最坚硬的结构，”该研究的论文合著者Ryan Rygg说道，“这可能意味着行星内部深处的碳含量，在那里金刚石有望沉淀。现在，我们预计碳的金刚石结构将在比我们之前认为的更大范围的行星环境中持续存在。”这可能意味着，某些理论上的碳形式可能不存在或至少只在更大的压力或不同的环境下才会形成。这也可能表明，“钻石行星”在宇宙中比我们想象的要更常见。

大数据文摘作品编译：李雷、大茜、Aileen算法和材料数据库正帮科学家预测哪些元素能合成新材料。几百年来，人们一直是通过反复试验或者靠运气和偶然发现新材料。现在，科学家们正在使用人工智能来加速这一过程。最近，西北大学的研究人员用AI来解决如何生成新的金属玻璃混合物的问题。这比起在实验室进行实验快了200倍。科学家们正在构建由数千种化合物组成的数据库，以便用算法来预测哪些化合物的组合会形成有趣的新材料。还有人用AI来分析已发表的论文挖据“材料配方”以产生新材料。过去，科学家和建筑工人们只能将材料混合在一起看看能形成什么。比如，水泥就是这样被发现的。随着时间的推移，他们学习了各种化合物的物理特性，但大部分知识仍然只是基于直觉。“如果你问为什么日本水淬钢用于制作刀具最好，我觉得谁都回答不了，”美国国家标准与技术研究院材料基因倡导小组的主任James Warren说，“对于这种内部结构与迷人外表之间的关系，它们只有一种根据经验而来的理解。”Warren说，我们现在可以利用数据库和计算机来快速确定是什么让材料变得更坚固或更轻，而不是凭经验，这有可能变革整个行业。此外，原本发现一种材料并将其整合成产的时间可能需要超过20年，加速这一过程势必会使我们获得更好的手机电池和屏幕，更好的用于火箭的合金材料，以及更好的健康设备传感器。“任何事情只要是由物质造成的，我们就可以改进。”沃伦说。正如Warren所说，为了理解新材料是如何制造的，我们可以把材料科学家想象成厨师。假设你有鸡蛋，并且你喜欢有嚼头的食物，这些就是你想要的菜肴的特点，但你该怎么做呢？为了创建一个蛋白和蛋黄都结实的结构，你需要一个配方，其中包含根据你想要的结果处理鸡蛋的步骤，比如煮老一点。材料科学使用相同的概念：如果一位科学家想要某些材料特性（比如说，轻便又坚韧），她会寻找可以产生这些特性的物理和化学结构，以及需要通过哪种处理过程，比如对金属进行熔化或捶打，来创造这样的结构。建立“材料云”数据库，虽不完美但已为科学家们创造了捷径数据库和计算技术可以帮助人们找到答案。“我们对材料进行量子力学级别的计算，这种计算非常复杂，因此我们可以在实验室中合成一种可能的新材料之前，就用计算机预测出它的属性。”西北大学材料科学家Chris Wolverton说，他主管开放量子材料数据库。其他主要数据库包括材料项目和材料云。数据库还不完整，但数据量一直在增长，并且已经从中找到了令人兴奋的发现。材料项目链接：https://materialsproject.org/about材料云链接：https://www.materialscloud.org/瑞士洛桑联邦理工大学研究员Nicola Marzari利用数据库查找可剥离的3D材料，以创建仅有一层的2D材料。比如，被炒得沸沸扬扬的石墨烯，它由单层石墨(也就是铅笔芯的材料)组成。像石墨烯一样，这些2D材料可以具有非凡的特性，如强度，而这在其3D形态中是不存在的。Marzari的团队用算法筛选来自多个数据库的信息。他上个月在《自然纳米技术杂志》上发表的文章中写到，该算法在超过100,000种材料中，最终发现可以剥离成一层的材料大约有2,000种。Marzari管理的“材料云”是一个材料“宝藏”，因为许多材料具有可以改善电子设备的特性，有些可以很好地传导电力，有些可以将热量转化为水，有些可以吸收太阳能：它们可以用于计算机或电池中的半导体，因此Marzari团队的下一步就是密切研究这些可能的特性。Marzari的工作是科学家如何使用数据库来预测哪些化合物可能会产生令人兴奋的新材料的一个例子。然而，这些预测仍需要在实验室中得到证实。并且Marzari仍然需要给他的算法定义某些规则，比如寻找弱化学键。AI可以创建一条捷径：科学家可以告诉AI他们想要创造的东西，比如超强材料，而不是编制特定的规则，然后AI会告诉科学家生成新材料最佳实验方法。Wolverton和他在西北大学的团队在本月出版的Science Advances杂志上的一篇论文中描述了AI 的运用。研究人员渴望研制新的金属玻璃(非晶态合金)，这种玻璃比金属或玻璃更结实，但硬度却更低，未来可以用于改进手机和航天器。斯坦福大学SLAC国家加速器实验室的共同研究者Apurva Mehta说，他们使用的AI方法与人们学习新语言的方式类似。语言学习的其中一种方法是坐下来记住所有的语法规则。“但另一种学习方法就是靠经验和听别人说话，”Mehta说。他们的做法是把两者组合起来。首先，研究人员浏览尽可能多的已发表的论文，了解如何制作不同类型的金属玻璃。接下来，他们将这些“语法规则”提供给机器学习算法。然后该算法学会自己预测哪些元素的组合会创造一种新的金属玻璃形式，这类似于通过去法国居住来改善法语，而不是无休止地背词性变化表。Mehta的团队随后在实验室中检验了机器学习系统给出的建议。科学家一次可以合成和测试数千种材料。但即使以这样的速度，盲目尝试每种可能的组合还是很浪费时间。“他们不能把整个元素周期表都拿来做尝试，”Wolverton说，所以AI的作用是“为他们提供几个入手点”。AI的结果并不完美，还不能给出更进一步的建议，比如所需元素的确切比例，但科学家们确实能够用AI的结果生成新的金属玻璃。另外，测试AI给出的结果意味着他们现在有更多的数据可以反馈给算法，所以每次重新预测都会变得更智能。创建一份“食谱”或材料配方集使用AI的另一种方式是创建一个“食谱”或材料配方集。在去年年底发表的两篇论文中，麻省理工学院的科学家开发了一种机器学习系统，可以扫描学术论文，找出哪些论文包含制作某种材料的说明。它检测出哪些段落包含“配方”的准确率高达99%，并且该段落中找出原话的准确度有86％。麻省理工学院团队现在正在对AI系统进行更精确的训练。他们希望为整个科学界创建这种“食谱”数据库，但他们需要与这些学术论文的出版商合作，以确保其收集不违反任何协议。最终，团队还希望能够训练系统阅读论文，然后自行制作新的“食谱”。麻省理工学院材料科学家及共同研究者Elsa Olivetti：“我们的其中一个目标是对于已经发现的材料，找到更有效，更低成本的生成方法。另一个目标是，对于计算机预测出的化合物，我们能否提出一系列更好的方法来生成它？”挑战：模型预测考虑不到现实因素人工智能和材料科学的未来看起来很有前景，但依然存在挑战。首先，计算机无法预测一切。“这些预测本身就有错误，并且经常是在简化的材料模型基础上预测，而不考虑真实情况”，EPFL的Marzari说。有各种各样的环境因素会影响化合物的行为，比如温度和湿度，大多数模型没有考虑这些因素。Wolverton认为另一个问题是我们仍然没有足够多的的所有化合物的数据资料，缺乏数据意味着算法不会很智能。也就是说，他和Mehta现在希望在除金属玻璃以外的其他类型的材料上使用他们的方法。他们希望有一天，生成新材料不再需要由人来做实验，而只是AI和机器人就够了。“我们可以创建一个真正完全自主的系统，”Wolverton说，“没有任何人参与的系统。”相关报道：https://www.theverge.com/platform/amp/2018/4/25/17275270/artificial-intelligence-materials-science-computation