我是娜姐 @迪娜学姐 ，一个SCI医学期刊编辑，探索用AI工具提效论文写作和发表。
2024年10月9日，中山大学医学院施莽教授团队和阿里云李兆融团队合作在Cell上发表了文章Using artificial intelligence to document the hidden RNA virosphere。
研究团队利用AI技术发现了180个病毒超群和16万余种全新RNA病毒，对已知病毒种类扩充了近30倍。其中包括传统研究方法未能发现的病毒“暗物质”，极大扩展了全球RNA病毒的多样性。这一突破标志着深度学习算法在病毒发现领域取得了里程碑式的进展，为病毒学研究开创了一种全新的范式。
这对于科研人选题、发表论文有什么启发？
有人说通讯作者施莽教授、Edward Holmes都是病原基因组学的大牛，这和我们普通人有什么关系？
利用AI在大数据分析和深度学习方面的优势，能帮我们在选题、实验分析、数据计算方面实现之前不可能完成的目标。听娜姐分析分析：
1 AI技术打破科研瓶颈，加速科学发现进程。
通常，我们在选题和设计实验时，会围绕自己熟悉的领域和实验室已有的实验技术展开研究，但是这可能会导致选题思维的局限。
以施莽教授团队的研究为例，过去病毒的发现主要依赖于生物学家通过实验室手段识别样品中的病毒序列。要经历样品采集-核酸提取-文库构建-测序-比对分析，这样一个复杂的程序，RNA病毒极易降解，任何一个步骤失败，就会导致功亏一篑。
根据ICTV（国际病毒分类委员会）最新公布数据，迄今为止人类发现的病毒才1万多种，RNA病毒3500多种。
上一次的big news来自复旦大学张永振教授，利用宏转录组学技术，发现了214种全新RNA病毒。成果发表在2018年的Nature杂志。
这一次，施莽教授则是利用AI的大数据分析能力：在大量学习病毒和非病毒基因组序列后，可以自主形成一套关于病毒的判断标准，一次性发现了16万余种全新RNA病毒。
AI技术的强大之处在于其对复杂模式的识别能力，可以应用于各种数据密集型学科。
结合到你所在的具体研究方向，或许可以思考哪些环节产生了大量数据？思考一下AI在解决数据处理、实验设计优化、复杂模式识别等方面的应用。多和计算机科学、数据科学等领域的人交流探讨，碰撞火花。
2 AI带来的跨学科选题思路与研究方法创新。
AI结合任何领域，都可以产生新的选题方向。例如，在医学研究中，AI已经被广泛应用于疾病诊断、影像识别、个性化治疗等领域。AI模型通过海量医学图像训练，可以辅助诊断某些疾病。在临床诊疗中，AI还能够通过分析患者的基因数据、病历数据、行为数据等，提出个性化的治疗方案。
同样的，AI技术也可以应用于其他自然科学和社会科学领域。例如，在气候科学中，AI能够模拟复杂的气候变化过程，预测全球变暖对生态系统、农业和人类社会的影响。在经济学和社会学中，AI可以通过大数据分析，洞察社会行为模式，预测经济发展趋势，甚至为社会政策的制定提供参考。
当你思考选题时，不妨跳出本学科的框架，去探索AI技术与本领域结合的潜力。
总之，AI技术的发展带来了科研范式的创新，无论是选题、科研方法与工具、从实验驱动到数据驱动的转变，以及跨界合作等方式，AI正在重塑科研的方式。