生物信息学对计算机科学发展的机遇与挑战_何红波
生物信息学的新挑战和前景
生物信息学的新挑战和前景生物信息学是一门涉及生物学、计算机科学和数学等多个学科交叉的学科，其目的是应用计算机技术和数据处理方法来分析和理解生物学数据，解决生物学中的基础科学问题和应用问题。
随着科技的发展和数据量的急剧增加，生物信息学也面临着许多新的挑战和机遇。
首先，数据规模急剧增加，如何处理大规模生物学数据成为了亟待解决的问题。
随着基因测序和其他生物学实验技术的发展，我们已经能够获得越来越多的生物学数据。
例如，人类基因组计划已经测序了数百万个人类基因组，而最新的单次测序能够产生数百万到数十亿条DNA序列。
这些数据的处理和分析需要强大的计算能力和高效的算法，以便从复杂的数百亿条DNA序列中找到有用的信息。
因此，开发出新的算法和工具来处理大规模生物数据的能力是生物信息学发展的一个重要方向。
其次，生物学是一个复杂的系统，需要从多个方面进行分析和理解，因此，生物信息学需要结合多种不同的数据来源来进行分析。
这包括遗传数据、表型数据、基因表达数据、多组学数据和环境数据等。
如何整合这些数据，评估它们的可靠性和相关性，是生物信息学在未来需要解决的重要问题之一。
第三，基因组编辑技术的发展使得我们可以通过编辑或修饰基因组来改进植物、动物和人类的生理特征。
这些技术包括CRISPR-Cas9、TALENs和ZFNs等。
然而，这些技术也带来了许多伦理、道德和安全方面的问题，例如基因删减和基因插入可能导致未知的副作用和风险。
生物信息学需要与其他材料学科合作来研究这些技术的安全性和可行性，以确保它们的应用是安全和有益的。
最后，因为生物信息学的发展在许多应用中有潜在的增长机会，因此生物信息学领域的研究和服务市场正在快速增长和发展。
这个领域的发展趋势涉及了医疗、农业、食品安全和环境监测等多个领域。
例如，基于基因组和表型数据的个性化医疗越来越受到关注，包括预测疾病风险、精确诊断和个性化治疗等。
总之，生物信息学是一个蓬勃发展的领域，它的重要性越来越受到人们的认识。
生物信息学对计算机科学发展的机遇与挑战_何红波
有的机遇与挑战。
1 数据库技术与海量存储技术
生物信息数据库具有数据结构复杂、数据量增 长迅速等特点。很多数据库涉及非结构化的数据, 如 PDB 中的蛋白质三级结构等[ 6] , 传统的关系数据 库已不能适应其发展, 因此必须要采用面向对象的 数据库技术来处理复杂结构的生物数据。生物信息 数据库具有种类繁多的特点, 目前各种生物信息数 据库有 500 多 种, 分布 在全 球各 个数 据库 服务 器 中[ 7] 。这些数据库的结构各异, 这使很多从事生物 学研究的人一筹莫展, 有必要采用分布式数据库技 术对这些数据库进行集成与整合。另外, 生物数据
DNA 计算解决问题的基本思想: 利用 DNA 特殊 的双螺旋结构 和碱基互补配 对原则对问题 进行编
码, 运算对象映射成 DNA 分子链, 在 DNA 溶液的试 管里, 在生物酶的作用下, 生成各种数据池, 然后按 照一定的规则将原始问题的数据运算高度并行地映 射成 DNA 分子链的可控的生化过程。最后, 利用分 子生物技术如聚合酶链反应 PCR、聚合重叠放大技 术 PoA、超声波降解、亲和层析、克隆、诱变、分子纯 化、电泳、磁珠分离等, 破获运算结果。虽然 DNA 计 算机目前还只能解决一些极其简单的问题实例, 并 且存在许多不足和障碍( 如可靠性、灵活性、运输和 逻辑等方面) , 但它在特定的复杂问题或领域, 已显 示出极大的潜力, 这一新领域的巨大潜力值得重视 和培育。DNA 计算机的研究必将对传统的计算机体 系结构与并行计算的研究产生推动作用。
目前机 器学习方法包括: 神经网 络法、决 策树 法、基于事例学习法、符号性知识优化法及基于逻辑 的归纳学习法[ 10] 。但现在的 问题是从蛋白质 一级 结构序列预测蛋白质二级结构和三级结构的准确率 较低[ 7] , 统计学习理论[ 2] 和支持向量机[ 11, 12] 技术在 这方面有广阔的应用前景。
生物信息学发展趋势与挑战
生物信息学发展趋势与挑战随着科技的不断发展和进步，生物信息学的应用越来越广泛。
生物信息学是一个跨学科的领域，它结合了计算机科学、生物学、数学和工程学的知识，运用计算机技术、数据处理和分析技术，研究生命科学中各种生物分子的结构、功能和相互作用。
随着生物信息学技术的发展，生物医药在治疗和诊断上受益良多。
金融分析公司CB Insights表示，生物信息技术是世界上最有前途的技术之一。
据预测，到2025年，全球生物信息技术市场将达到1000亿美元。
然而，生物信息学的发展也面临一些挑战。
本文将分析生物信息学发展趋势和挑战，并提出相应的解决方案。
一、发展趋势1.更大规模数据的处理与分析大数据时代带来了更多的数据和机会，但同时也提出了更多挑战。
在生物信息学领域，随着“人类基因组计划”的结束，大量的基因数据被获取，开启了人类的基因学时代。
然而，随着技术的发展，数据已经从“大规模”到“超大规模”。
因此，生物信息学科学家需要将粗略数据转化为高质量数据，并对所处理数据进行分析，以揭示其中的模式、关联和趋势。
2.生物信息学与云计算的融合云计算是目前最受欢迎的互联网技术之一。
大多数生物信息学家可能是采用一些较小规模的服务器来处理数据和运行应用程序。
这样做不但有一定的风险，而且难以获得良好的性能。
云计算提供了更多的灵活性和资源可扩展性，虚拟化技术也可以使计算资源最大化。
因此，将生物信息学和云计算相结合，可以提供大规模数据的处理、分析和存储。
3.人工智能和机器学习的应用人工智能是目前计算机科学领域最热门的技术之一。
机器学习是人工智能的一个分支，主要研究如何使计算机系统不断从数据中学习和自我改进。
这种自动化学习的特点，可以用来解决分析生物信息学数据中的模式和趋势的问题。
在过去的几年中，更多的研究和应用程序已经使机器学习成为解决生物信息学难题的强有力工具。
4.生物信息学解决方案的探索生物信息学需要一个集成的综合方案，为生命科学的整个研究流程提供支持。
生物信息学与计算机科学相结合的研究发展趋势
生物信息学与计算机科学相结合的研究发展趋势近年来，生物信息学与计算机科学之间的结合逐渐受到了更多的研究关注。
生物信息学作为一种新兴的学科，涉及到了多个学科领域，其中就包括计算机科学。
生物信息学与计算机科学相结合，既可以为生命科学的研究提供更多的思路和方法，也可以为计算机科学的发展提供更多的应用场景和方向。
本文将从生物信息学的基本概念、计算机科学在生物信息学研究中的应用、生物信息学与计算机科学相结合的发展趋势等几个方面来探讨这个主题。
一、生物信息学的基本概念生物信息学是一门综合性的学科，其研究内容包括生物信息的获取、处理、存储和分析等方面。
生物信息的获取主要通过对生物实验数据的采集和处理来完成；生物信息的处理和存储则利用生物信息学的相关技术和方法，将生物信息转化为计算机可识别和处理的数据格式；最后生物信息的分析是基于处理和存储的数据，通过生物信息学的算法和工具对这些数据进行分析，以实现对生命科学问题的研究。
因此，生物信息学主要包括生物实验、实验数据的处理和转化、生物信息学算法和工具的设计和应用等内容。
二、计算机科学在生物信息学研究中的应用计算机科学在生物信息学研究中的应用主要涉及到以下几个方面：1. 数据处理技术生物信息的处理和存储离不开计算机技术，因此计算机的数据处理能力对于生物实验数据的处理和转化非常关键。
早期的生物信息学主要通过手工绘图等方式处理和表示生物信息数据，但是这种方式存在处理效率低、数据量有限等问题。
随着计算机技术的不断发展，生物信息学开始使用计算机技术处理和分析生物数据。
如通过使用计算机程序将实验数据自动化的转化为数字形式，然后通过数据库技术将数据存储到计算机中，以便后续的复杂分析和处理。
2. 生物信息学算法和工具的研究生物信息学的研究需要使用到多种算法和工具。
这些算法和工具的设计和研究离不开计算机科学技术的支持，例如基于计算机视觉的生物图像分析、计算机模拟技术在生物学中的应用等。
计算机科学在生物信息学中的发展
计算机科学在生物信息学中的发展在当今科技飞速发展的时代，计算机科学与众多领域深度融合，为解决各种复杂问题提供了强大的支持和创新的解决方案。
其中，生物信息学作为一门交叉学科，得益于计算机科学的不断进步，正以前所未有的速度发展着。
生物信息学，简单来说，就是利用计算机技术来处理和分析生物数据。
这些数据的来源极其广泛，包括基因测序、蛋白质结构测定、生物代谢过程的监测等等。
随着生物技术的不断进步，我们能够获取到的生物数据量呈爆炸式增长。
而如何从这些海量的数据中挖掘出有价值的信息，就成为了生物信息学面临的首要挑战。
计算机科学在数据存储和管理方面为生物信息学提供了关键的技术支持。
早期，由于数据量相对较小，简单的数据库系统或许还能应对。
但如今，面对动辄数十亿甚至上百亿字节的生物数据，传统的存储和管理方式显然力不从心。
分布式存储系统、云计算平台等先进的计算机技术应运而生。
这些技术不仅能够提供海量的数据存储空间，还能保证数据的安全性和可靠性，同时实现高效的数据检索和访问。
例如，谷歌云、亚马逊云等云计算服务提供商，为生物信息学研究机构和企业提供了强大的计算和存储资源，使得大规模的生物数据分析成为可能。
在数据分析方面，计算机科学中的各种算法和模型发挥着至关重要的作用。
比如，序列比对算法是生物信息学中最基础也是最常用的算法之一。
它用于比较不同的生物序列，如 DNA 序列、蛋白质序列，以发现它们之间的相似性和差异性。
通过比对，可以揭示物种之间的进化关系、预测蛋白质的功能等。
此外，机器学习算法在生物信息学中的应用也越来越广泛。
例如，利用监督学习算法可以构建疾病预测模型，通过分析患者的基因数据来预测其患病的风险；无监督学习算法则可以用于对生物数据进行聚类分析，发现隐藏在数据中的模式和结构。
计算机科学中的高性能计算技术也极大地推动了生物信息学的发展。
生物信息学中的许多计算任务，如蛋白质结构模拟、大规模的基因网络分析等，计算量巨大，需要耗费大量的时间和资源。
生物大数据技术在生物信息学研究中的优势与挑战
生物大数据技术在生物信息学研究中的优势与挑战生物信息学研究是一门交叉学科，旨在研究生物学中大量产生的数据，并利用计算机和统计学方法来揭示生命科学中的规律和结构。
随着科技的快速发展，生物学研究中产生的数据量呈指数级增长，给传统的数据分析方法带来了巨大的挑战。
在这个背景下，生物大数据技术的出现无疑为生物信息学研究提供了更强大的工具和方法，极大地推动了生物学的发展。
本文将探讨生物大数据技术在生物信息学研究中的优势与挑战。
首先，生物大数据技术在生物信息学研究中具有独特的优势。
生物学研究中产生的数据种类多样，包括基因组测序数据、蛋白质互作网络数据、代谢组学数据等。
这些数据的规模庞大，传统的数据处理方法往往难以胜任。
而生物大数据技术通过利用分布式计算、海量存储等技术，能够高效处理大规模的数据。
同时，生物大数据技术还能够将不同数据源的数据进行整合和分析，为研究者提供全面的信息。
这种全面综合的数据分析能力是传统方法所不具备的，为生物学研究提供了更多的机会和可能性。
其次，生物大数据技术还可以帮助研究者从生物信息中挖掘出更多的知识。
生物大数据技术通过应用机器学习、人工智能等方法，能够从大规模的生物数据中找到隐藏的模式和规律。
例如，通过对基因组测序数据的分析，可以预测患病风险和药物反应等个体特征。
这种个性化的医学方法，为生物医学研究提供了更多的可能性，也为个体化治疗和精准医学的发展奠定了基础。
此外，生物大数据技术还可以促进生物学研究的跨领域合作。
生物大数据的分析需要涉及计算机科学、统计学、数学等学科的知识。
各个领域的专家可以共同合作，从不同角度对生物数据进行分析，相互交流和借鉴经验和方法，从而推动整个生物学研究的进展。
这种跨领域合作的方式，有助于加速科技的创新和发展。
然而，生物大数据技术在应用过程中也面临一些挑战和问题。
首先，数据的质量和准确性是生物大数据分析的重要问题。
生物学研究中产生的数据多样性和复杂性，使得数据的准确性和一致性难以保证。
生物信息学中的分布式计算
据资源和计算资源。生物信息学要求实现大规模的 资源共享 ， 相互供应和使用资源。这种新型 的资源
共享关系往往是对等的 ， 协作双方都既是资源供应
是一个计算密集的科学领域。诸如 Ｄ Ａ序列拼装 ， Ｎ ＤＡ Ｎ 物理作图， 基因预测 ， 位点识别 ， Ｎ Ｄ Ａ和蛋白质 序列比对， 白质结构预测 ， 系发生学分析等等， 蛋 种
Ｋｅ ｏ ｄ ： ｉｉｆ ｒ ｆ ｓ ｄ ｓ ｉｕｅ ｏ ｕ ｎ ； ｄ Ｐ Ｐ ａ ｅ ｔ ｙ Ｗ ｒ ｓ Ｂ ｏｎ ｏｍａ ｃ ； ｉｔ ｂ ｔｄ ｃ ｍｐ ｔ ｇ ｇｉ ； ２ ； ｇ ｎ ｉ ｒ ｉ
１ 生物信息学面临 的挑 战
目前 ， 伴随着基 因组研究为代表 的生命科学 的
维普资讯
生 物信 息 学
Ｃ ｉ ｕ ａ ｏ Ｂｏ ｆｍ ｔｓ ｈ ａ ｏｒ ｌ ｆ ｉｎ ｒａｃ ｎ Ｊ ｎ ｉｏ ｉ
专 论 与 综 述
生物信息学 中的分布式计算
李斌 李义兵 ， ， 何红波
（． １中南大学信息科学 与工程学院， 长沙 ４０８ ；． １０３２中南大学 物理学 院， 长沙 ４０８） １ ３ ０
（） １巨大的数据量和计算量 以 Ｄ Ａ碱基数为 Ｎ
（） ３对等的资源共享 生物信息学所服务的生 命科学研究项 目 往往规模大， 应用软件种类多， 遍布
全球的数据库所有权属于许多不 同机构。在这种情
况下 ， 一个机构甚至一个国家很难单独拥有所有数
例， 其增长速度呈指数性增长， 大约每 ６ 个月就会增 长一倍 ， 这一增长速度只有计算机 的存储和运算能
Ⅱ ｓ ｏｌ ａｄｒ ｅｒｈｐ ｊ ｓ ｈｔ ｎ，ｔ ｓ ｎ ｓａ ｒ￣ ａ眦 ｏ ｅ ｃ ｏ ｔ
生物信息学的挑战和机遇
生物信息学的挑战和机遇随着现代科技的发展，生物信息学正在成为越来越重要的研究领域。
生物信息学的研究对象包括基因、蛋白质、代谢物等，其主要研究目的是深入了解生物体内各种分子的功能、相互作用以及生物过程的发生与演化规律等。
然而在研究生物信息学的过程中，我们也会面临一些挑战，同时也会有许多机遇。
一、海量数据的处理生物信息学需要分析的数据量越来越大，由此带来了巨大的挑战。
例如基因组学、转录组学和蛋白质组学的数据量都已经达到了TB级别，如何高效地处理这些数据成为了生物信息学领域的一个难题，需要高效的算法和技术来处理这些数据。
与此同时，随着数据分析的方法和技术的不断进步，我们能够更好地理解各个细胞内外的信息交流和解释数据意义，从而深入理解生命的本质。
这些巨量数据的收集和处理给生物信息学带来了无限的机遇，这些数据无疑会促进生命科学的研发和进步。
二、“垃圾指数”的问题在生物信息学领域，数据的质量问题一直是困扰研究人员的问题。
因为实验发生了问题、测量仪器出现了问题等原因，使得数据质量可信性产生了很大的波动。
为了解决这个问题，需要在处理数据的时候给予特别的关注，检测数据的质量和在研究过程中排除不可靠的数据。
这个问题的解决会让研究人员更好地理解数据的重要性，而同样也会有大量的机遇。
如果我们得到的数据质量能够得到提高，那么通过对数据的分析和解释，我们能够研究出更多的生物现象, 进而深入探究这些现象的本质。
三、跨学科协作生物信息学覆盖了生物学、计算机科学、统计学、物理学等多个学科的知识，因此需要涉及不同领域专家的跨学科协作。
跨学科协作不仅需要高度的领域知识储备，更需要各自领域人才的思维模式和沟通方式的融合，相互协作才能成为各自学科内的成功人才，从而为生物信息学的研究做出更大的贡献。
这样的协作也为我们创造了机遇，人们在交流过程中，已经意识到跨学科交流对研究支持的重要性。
这种交流不仅仅有助于发现重要的问题，也很可能会导致合作推动出更多的新的想法，进而得到更好的系统解释和分析结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
生 物 信 息 学 China Journal of Bioinformatics
专论与综述
生物信息学对计算机科学发展的机遇与挑战
何红波1, 谭晓超1, 李斌2, 李义兵1, 2
( 1. 中南大学物理学院, 湖南 长沙; 2. 中南大学信息科学与工程学院, 湖南 长沙 410083)
摘要: 生物信息学是一个发展很快的新兴学科, 是计算机应用 的最重 要的领 域之一, 同 时生物信 息学的 发展又 给计算 机学科 提出了许多新的课题, 从而促进计算机学科自 身的发展。从数据库技术、海量存储 技术、数据挖掘、计算几 何、DNA 计算、网格 计算、机器学习、人工心智、web service 等方 面, 就生物信息学对计算机科学发展的促进作用进行 了论述。 关键词: 生物信息学; 数据库技术; 数据挖掘; 计算几何; 机器学习 中图分类号:TP3 文献标识 码: A 文章编号: 1672- 5565( 2005) - 01- 0037- 05
DNA 计算解决问题的基本思想: 利用 DNA 特殊 的双螺旋结构 和碱基互补配 对原则对问题 进行编
码, 运算对象映射成 DNA 分子链, 在 DNA 溶液的试 管里, 在生物酶的作用下, 生成各种数据池, 然后按 照一定的规则将原始问题的数据运算高度并行地映 射成 DNA 分子链的可控的生化过程。最后, 利用分 子生物技术如聚合酶链反应 PCR、聚合重叠放大技 术 PoA、超声波降解、亲和层析、克隆、诱变、分子纯 化、电泳、磁珠分离等, 破获运算结果。虽然 DNA 计 算机目前还只能解决一些极其简单的问题实例, 并 且存在许多不足和障碍( 如可靠性、灵活性、运输和 逻辑等方面) , 但它在特定的复杂问题或领域, 已显 示出极大的潜力, 这一新领域的巨大潜力值得重视 和培育。DNA 计算机的研究必将对传统的计算机体 系结构与并行计算的研究产生推动作用。
39
工具, 有助于实现了解健康与有病神经系统功能的 最终目标。
脑是生物体内结构和功能最复杂的组织, 人脑 内有神经细胞上千亿, 神经突触超过 1 014 个, 是接 受外界信号、产生感觉、形成意识、进行逻辑思维、发 出指令产生行为的指 挥部[ 16] 。人脑是极为 精巧和 完善的信息处理系统, 是人体内外环境信息获得、存 储、处理、加工和整合的中枢。人脑的结构和功能极 其复杂, 需要从不同的层次对其进行研究, 包括: 从 DNA、RNA 、蛋白 、神 经 元、神 经网 络 到 全 脑。 其 中 对 神经网络和全脑功能的研究近年来发展很快, 成为 神经信息学研究的重点。神经信息学主要从信息和 信息处理的观点来研究人脑, 研究神经系统信息的 载体形式, 神经信息的产生、传输与加工, 以及神经 信息的编码、存储与提取机理等, 并从系统和信息的 观点建立以生物学实际为基础的神经网络模型。
有的机遇与挑战。
1 数据库技术与海量存储技术
生物信息数据库具有数据结构复杂、数据量增 长迅速等特点。很多数据库涉及非结构化的数据, 如 PDB 中的蛋白质三级结构等[ 6] , 传统的关系数据 库已不能适应其发展, 因此必须要采用面向对象的 数据库技术来处理复杂结构的生物数据。生物信息 数据库具有种类繁多的特点, 目前各种生物信息数 据库有 500 多 种, 分布 在全 球各 个数 据库 服务 器 中[ 7] 。这些数据库的结构各异, 这使很多从事生物 学研究的人一筹莫展, 有必要采用分布式数据库技 术对这些数据库进行集成与整合。另外, 生物数据
2 机器学习与数据挖掘
蛋白质分子是由 20 种不同氨基酸通过肽键连 接而成的共价多肽链, 天然蛋白质在生理条件下都 有着自己特定的空间结构[ 9] 。遗传信息由 DNA 到 RNA 再到蛋白质的过程, 一直是分子生物学研究的 中心, 通常称之为中心法则[ 9] 。经过多年的努力, 由 DNA 到 RNA 再到多肽链合成的基本过程已经基本 清楚。但是以一定氨基酸序列连接形成的多肽链是 如何形成有一定空间结构的具有生理功能的蛋白质 分子仍然是分子生物学中心法则中目前尚未解决的 问题。早在 20 世纪 60 年代, White 和 Anfinsen 进行 的牛胰核糖核酸酶复性的经典实验表明[ 7] : 某些蛋 白质在体外的一定条件下解聚失活后可以自动折叠 而恢复其原有高级结构与活性, 也即意味着蛋白质 的氨基酸序列及环境决定其三维构象。蛋白质的一 级结构决定高级结构是进行蛋白质结构预测的理论 基础。蛋白质结构预测是生物信息学的核心问题, 在这方面主要的研究在于如何通过已知的蛋白质一
Abstract: The opportunities and challenges when bioinformatics meets computer science are discussed. Bioinformatics is a fast- growing subject and it is also the most important applied field of the computer science. Also the developments of bioinformatics bring many new tasks to computer science and then promote the development of computer science. In this paper, we discuss the promotion of bioinformatics to computer science from many aspects including database technology, massive storage technology, data mining, computer geometry, grid computing , machine learning, artificial intelligence, web service. Key words: bioinformatics; database technology; data mining; computer geometry; machine learning
级结构序列和其对应的三级结构序列来挖掘知识, 从而形成蛋白质一级结构序列与三级结构的对应关 系的知识。
机器学习的主 要任务是 如何从 一些观测 数据 ( 样本) 出发得出目前尚不能通过原理分析或试验得 到的规律。利用这些规律去分析客观对象, 对未来 数据或无法观测的数据进行预测( 图 1) 。
图 1 蛋白质结构序列机器学习示意图
自 1994 年 Adleman 在5科学6期刊上发表了第一 篇关于 DNA 分子算 法的开创性 文章[ 17] 以来, DNA 计算迅速成为活跃的研究领域。DNA 计算机被证明 是通用计算机系统. 自 Watson ) Crick 揭开 DNA 的奇 妙结构以来, 生物、化学和基因工程技术正处在日新 月异的巨大进步和发展中. 它将提供更多的、新的供 计算使用的人工合成酶。Adleman 的实验就是这个 正在蓬勃兴起的科学新领域的一次展示, 生物计算 机能彻底实现现有计算机所无法真正实现的大规模 并行处理和组合运算功能, 是彻底解决包括 NP 等困 难问题的突破口之一。
Opportunities and challenges: when computer science meets bioinformatics
HE Hong- Bo, TAN Xiao- Chao, LБайду номын сангаас Bin, LI Yi- Bing
(11College of Physics and College of Inf ormation, Central South University, Changsha 410083 , P. R. China ; 21College of inf ormation science and engineering , Central south university , changsha , H unam, China )
以生物学实际为基础的神经网络模型的研究对 仿脑计算的研究具有极大的促进作用。人工智能正 在最新神经科学与心理科学成果的启发下朝着人工 心智、情感计算与仿脑计算的方向发展。
4 DNA 计算
科学家普遍认为, 目前计算机的缩微化己接近 极限。要在高性能计算上有所突破, 从原理上创新 是一条出路。DNA 计算作为其中一个代表之一正受 到人们的普遍关注。
3 人工心智与仿脑计算
了解脑及其全部功能是 21 世纪重大挑战之一。 人类脑计划开始于 1993 年[ 4] 。这项行 动的主要目 标: 创立以 web 为基础的神经科学所有数据的数据 库, 并提供数据分析、整合、合成、建模与模拟的先进
第1 期
何红波, 等: 生物信息学对计算机科学发展的机遇与挑战
收稿日期: 2004- 05- 24; 修回日期: 2005- 01- 04 基金项目: 国家自然科学基金( 60371046) 与湖南省自然科学基金资助。 作者简介: 何红波( 1972- ) , 男, 博士, 教授。主要研究方向: 生物信息学, 人工生命, 人工智能, 网络计算等, E- mail: mri@ csu. edu. cn