Auf der Suche nach Lösungen für komplexe globale Herausforderungen wie Krankheiten, Energiebedarf und Klimawandel haben sich wissenschaftliche Forscher, darunter auch am MIT, der künstlichen Intelligenz sowie der quantitativen Analyse und Modellierung zugewandt, um künstlich hergestellte Zellen mit neuartigen Eigenschaften zu entwerfen und zu konstruieren. Die manipulierten Zellen können so programmiert werden, dass sie zu neuen Therapeutika werden – zur Bekämpfung und vielleicht sogar zur Ausrottung von Krankheiten.

James J. Collins ist einer der Begründer des Gebiets der synthetischen Biologie und außerdem ein führender Forscher in der Systembiologie, dem interdisziplinären Ansatz, der mathematische Analyse und Modellierung komplexer Systeme nutzt, um biologische Systeme besser zu verstehen. Seine Forschung hat zur Entwicklung neuer Klassen von Diagnostika und Therapeutika geführt, unter anderem zur Erkennung und Behandlung von Krankheitserregern wie Ebola, Zika, SARS-CoV-2 und antibiotikaresistenten Bakterien. Collins, Termeer-Professor für Medizintechnik und Naturwissenschaften und Professor für Biotechnik am MIT, ist Kernfakultätsmitglied des Institute for Medical Engineering and Science (IMES), Direktor der MIT Abdul Latif Jameel Clinic for Machine Studying in Well being sowie Institutsmitglied des Broad Institute of MIT und Harvard und Kerngründungsdozent des Wyss Institute for Biologically Impressed Engineering, Harvard.

In dieser Frage-und-Antwort-Runde spricht Collins über seine neuesten Arbeiten und Ziele für diese Forschung.

Q. Sie sind dafür bekannt, mit Kollegen am MIT und an anderen Institutionen zusammenzuarbeiten. Wie haben Ihnen diese Kooperationen und Zugehörigkeiten bei Ihrer Forschung geholfen?

A: Bei meiner Arbeit conflict die Zusammenarbeit von zentraler Bedeutung Labor. Am MIT Jameel Clinic für maschinelles Lernen im Gesundheitswesenmit dem ich eine Zusammenarbeit geschlossen habe Regina Barzilay (der Delta-Elektronikprofessor in der MIT-Abteilung für Elektrotechnik und Informatik und assoziiertes Fakultätsmitglied am IMES) und Tommi Jaakkola (der Thomas-Siebel-Professor für Elektrotechnik und Informatik und das Institut für Daten, Systeme und Gesellschaft), um mithilfe von Deep Studying neue Antibiotika zu entdecken. Diese Bemühungen kombinierten unser Fachwissen in den Bereichen künstliche Intelligenz, Netzwerkbiologie und Systemmikrobiologie und führten zur Entdeckung von Halicin, einem wirksamen neuen Antibiotikum, das gegen ein breites Spektrum multiresistenter bakterieller Krankheitserreger wirksam ist. Unsere Ergebnisse wurden veröffentlicht in Zelle im Jahr 2020 und demonstrierte die Kraft der Zusammenführung komplementärer Kompetenzen zur Bewältigung einer globalen Gesundheitsherausforderung.

Am Wyss-Institut, Ich habe eng mit zusammengearbeitet Donald Ingber (der Judah Folkman-Professor für Gefäßbiologie an der Harvard Medical Faculty und des Vascular Biology Program am Boston Youngsters’s Hospital sowie Hansjörg Wyss-Professor für biologisch inspirierte Technik in Harvard), der seine Organs-on-Chips-Technologie nutzt, um die Wirksamkeit von KI-entdeckten und KI-generierten Antibiotika zu testen. Diese Plattformen ermöglichen es uns, zu untersuchen, wie sich Medikamente in menschlichen gewebeähnlichen Umgebungen verhalten. Sie ergänzen traditionelle Tierversuche und bieten einen differenzierteren Einblick in ihr therapeutisches Potenzial.

Der rote Faden unserer vielen Kooperationen ist die Fähigkeit, rechnerische Vorhersagen mit hochmodernen experimentellen Plattformen zu kombinieren und so den Weg von Ideen zu validierten neuen Therapien zu beschleunigen.

Q. Ihre Forschung hat zu vielen Fortschritten bei der Entwicklung neuartiger Antibiotika mithilfe generativer KI und Deep Studying geführt. Können Sie über einige der Fortschritte sprechen, an denen Sie bei der Entwicklung von Medikamenten beteiligt waren, die multiresistente Krankheitserreger bekämpfen können, und darüber, welche Durchbrüche Sie in diesem Bereich am Horizont sehen?

A: Im Jahr 2025 Unser Labor veröffentlichte eine Studie in Zelle demonstriert, wie generative KI Damit lassen sich völlig neue Antibiotika entwickeln. Wir verwendeten genetische Algorithmen und Variations-Autoencoder, um Millionen von Kandidatenmolekülen zu generieren und dabei sowohl fragmentbasierte Designs als auch den völlig uneingeschränkten chemischen Raum zu erkunden. Nach rechnerischer Filterung, retrosynthetischer Modellierung und Überprüfung der medizinischen Chemie haben wir 24 Verbindungen synthetisiert und experimentell getestet. Sieben zeigten eine selektive antibakterielle Aktivität. Eine Spur, NG1, hatte ein sehr enges Spektrum und eliminierte Multiresistenzen Neisseria gonorrhoeaeeinschließlich Stämmen, die gegen Erstlinientherapien resistent sind, während kommensale Arten verschont bleiben. Ein anderer, DN1, zielte auf Methicillin-Resistenzen ab Staphylococcus aureus (MRSA) und beseitigte Infektionen bei Mäusen durch Zerstörung breiter Membranen. Beide waren ungiftig und zeigten geringe Resistenzraten.

Mit Blick auf die Zukunft nutzen wir Deep Studying, um Antibiotika mit arzneimittelähnlichen Eigenschaften zu entwickeln, die sie zu stärkeren Kandidaten für die klinische Entwicklung machen. Durch die Integration von KI mit biologischen Hochdurchsatztests wollen wir die Entdeckung und Entwicklung neuartiger, sicherer und wirksamer Antibiotika beschleunigen, die für den therapeutischen Einsatz in der Praxis bereit sind. Dieser Ansatz könnte unsere Reaktion auf arzneimittelresistente bakterielle Krankheitserreger verändern und von einer reaktiven zu einer proaktiven Strategie bei der Antibiotikaentwicklung übergehen.

Q. Sie sind Mitbegründer von Phare Bio, eine gemeinnützige Organisation, die KI nutzt, um neue Antibiotika zu entdecken, und das Collins Lab hat in Zusammenarbeit mit Phare Bio dabei geholfen, das Antibiotics-AI-Projekt zu starten. Können Sie uns mehr darüber erzählen, was Sie mit diesen Kooperationen erreichen möchten und wie sie mit Ihren Forschungszielen verknüpft sind?

A: Wir haben Phare Bio als gemeinnützige Organisation gegründet, um die vielversprechendsten Antibiotika-Kandidaten, die aus dem Antibiotics-AI-Projekt am MIT hervorgehen, in die klinische Entwicklung zu bringen. Die Idee besteht darin, die Lücke zwischen Entdeckung und Entwicklung durch die Zusammenarbeit mit Biotech-Unternehmen, Pharmapartnern, KI-Unternehmen, Philanthropien, anderen gemeinnützigen Organisationen und sogar Nationalstaaten zu schließen. Akhila Kosaraju hat bei der Leitung von Phare Bio hervorragende Arbeit geleistet, diese Bemühungen koordiniert und die Kandidaten effizient vorangebracht.

Kürzlich haben wir von ARPA-H einen Zuschuss erhalten, um mithilfe generativer KI 15 neue Antibiotika zu entwerfen und sie als präklinische Kandidaten zu entwickeln. Dieses Projekt baut direkt auf der Forschung unseres Labors auf und kombiniert computergestütztes Design mit experimentellen Assessments, um neuartige Antibiotika zu entwickeln, die für die weitere Entwicklung bereit sind. Durch die Integration generativer KI, Biologie und translationaler Partnerschaften hoffen wir, eine Pipeline zu schaffen, die schneller auf die globale Bedrohung durch Antibiotikaresistenzen reagieren und letztendlich neue Therapien für Patienten bereitstellen kann, die sie am dringendsten benötigen.

Seit mehr als einem Jahrzehnt nutzt MIT-Assoziierter Professor Rafael Gómez-Bombarelli künstliche Intelligenz, um neue Materialien zu entwickeln. Mit der Weiterentwicklung der Technologie sind auch seine Ambitionen gewachsen.

Nun glaubt der neu berufene Professor für Materialwissenschaften und -technik, dass KI bereit ist, die Wissenschaft auf eine Weise zu verändern, die noch nie zuvor möglich conflict. Seine Arbeit am MIT und darüber hinaus widmet sich der Beschleunigung dieser Zukunft.

„Wir sind an einem zweiten Wendepunkt“ Gómez-Bombarelli sagt. „Das erste conflict etwa 2015 mit der ersten Welle des Repräsentationslernens, der generativen KI und Hochdurchsatzdaten in einigen Bereichen der Wissenschaft. Das sind einige der Techniken, die ich zuerst in mein Labor am MIT gebracht habe. Ich denke, jetzt sind wir an einem zweiten Wendepunkt, an dem wir Sprache vermischen und mehrere Modalitäten zu allgemeiner wissenschaftlicher Intelligenz zusammenführen. Wir werden alle Modellklassen und Skalierungsgesetze haben, die wir brauchen, um über Sprache, Vernunft über materielle Strukturen und Vernunft über Syntheserezepte nachzudenken.“

Gómez Bombarellis Forschung kombiniert physikbasierte Simulationen mit Ansätzen wie maschinellem Lernen und generativer KI, um neue Materialien mit vielversprechenden realen Anwendungen zu entdecken. Seine Arbeit hat zu neuen Materialien für Batterien, Katalysatoren, Kunststoffe und organische Leuchtdioden (OLEDs) geführt. Er conflict außerdem Mitbegründer mehrerer Unternehmen und Mitglied wissenschaftlicher Beiräte für Begin-ups, die KI in der Arzneimittelforschung, Robotik und mehr einsetzen. Sein neuestes Unternehmen, Lila Sciences, arbeitet am Aufbau einer wissenschaftlichen Superintelligenzplattform für die Biowissenschafts-, Chemie- und Materialwissenschaftsindustrie.

All diese Arbeiten sollen sicherstellen, dass die wissenschaftliche Forschung in Zukunft reibungsloser und produktiver verläuft als die heutige Forschung.

„KI für die Wissenschaft ist eine der aufregendsten und ehrgeizigsten Anwendungen von KI“, sagt Gómez-Bombarelli. „Andere Anwendungen für KI haben mehr Nachteile und Unklarheiten. Bei KI für die Wissenschaft geht es darum, rechtzeitig eine bessere Zukunft voranzutreiben.“

Von Experimenten bis hin zu Simulationen

Gómez-Bombarelli wuchs in Spanien auf und interessierte sich schon früh für die Naturwissenschaften. Im Jahr 2001 gewann er einen Chemieolympiade-Wettbewerb und startete damit eine akademische Laufbahn in Chemie, die er als Scholar an der Universität seiner Heimatstadt, der Universität von Salamanca, studierte. Gómez-Bombarelli blieb für seine Doktorarbeit, in der er die Funktion DNA-schädigender Chemikalien untersuchte.

„Meine Doktorarbeit begann experimentell, und dann wurde ich ungefähr zur Hälfte vom Virus der Simulation und der Informatik gepackt“, sagt er. „Ich fing an, die gleichen chemischen Reaktionen zu simulieren, die ich im Labor gemessen hatte. Mir gefällt die Artwork und Weise, wie das Programmieren das Gehirn organisiert; es fühlte sich wie eine natürliche Artwork an, das eigene Denken zu organisieren. Das Programmieren ist auch viel weniger durch das eingeschränkt, was man mit seinen Händen oder mit wissenschaftlichen Instrumenten machen kann.“

Anschließend ging Gómez-Bombarelli für eine Postdoktorandenstelle nach Schottland, wo er Quanteneffekte in der Biologie untersuchte. Durch diese Arbeit knüpfte er Kontakt zu Alán Aspuru-Guzik, einem Chemieprofessor an der Harvard College, dem er 2014 für seinen nächsten Postdoc beitrat.

„Ich conflict 2016 einer der ersten Menschen, der generative KI für die Chemie einsetzte, und 2015 gehörte ich zum ersten Workforce, das neuronale Netze nutzte, um Moleküle zu verstehen“, sagt Gómez-Bombarelli. „Es waren die Anfänge des Deep Studying in der Wissenschaft.“

Gómez-Bombarelli begann außerdem damit, manuelle Teile molekularer Simulationen zu eliminieren, um mehr Experimente mit hohem Durchsatz durchzuführen. Am Ende führten er und seine Mitarbeiter Hunderttausende materialübergreifende Berechnungen durch und entdeckten Hunderte vielversprechender Materialien zum Testen.

Nach zwei Jahren im Labor gründeten Gómez-Bombarelli und Aspuru-Guzik ein Allzweck-Unternehmen zur Materialberechnung, das sich schließlich auf die Herstellung organischer Leuchtdioden konzentrierte. Gómez-Bombarelli ist hauptberuflich in das Unternehmen eingestiegen und nennt es das Schwierigste, was er jemals in seiner Karriere getan hat.

„Es conflict großartig, etwas greifbar zu machen“, sagt er. „Außerdem wollte ich kein Professor werden, nachdem ich gesehen hatte, wie Aspuru-Guzik ein Labor leitete. Mein Vater conflict Professor für Linguistik, und ich dachte, es wäre ein entspannter Job. Dann sah ich Aspuru-Guzik mit einer 40-köpfigen Gruppe und er conflict 120 Tage im Jahr unterwegs. Das conflict verrückt. Ich hätte nicht gedacht, dass ich diese Artwork von Energie und Kreativität in mir hätte.“

Im Jahr 2018 schlug Aspuru-Guzik Gómez-Bombarelli vor, sich für eine neue Stelle in der Abteilung für Materialwissenschaft und Werkstofftechnik des MIT zu bewerben. Aber Gómez-Bombarelli hatte Angst vor einer Anstellung als Dozent und ließ die Frist verstreichen. Aspuru-Guzik konfrontierte ihn in seinem Büro, schlug mit den Händen auf den Tisch und sagte zu ihm: „Das musst du beantragen.“ Es genügte, Gómez-Bombarelli dazu zu bringen, einen formellen Antrag zu verfassen.

Glücklicherweise hatte Gómez-Bombarelli bei seinem Startup viel Zeit damit verbracht, darüber nachzudenken, wie man aus der rechnergestützten Materialentdeckung einen Mehrwert schaffen könnte. Während des Vorstellungsgesprächs sei er von der Energie und dem kollaborativen Geist am MIT angezogen worden, sagt er. Er begann auch die Forschungsmöglichkeiten zu schätzen.

„Alles, was ich als Postdoc und im Unternehmen getan habe, conflict ein Teil dessen, was ich am MIT tun konnte“, sagt er. „Ich habe Produkte hergestellt, und das kann ich immer noch tun. Plötzlich conflict mein Arbeitsuniversum eine Teilmenge dieses neuen Universums von Dingen, die ich erforschen und tun konnte.“

Es ist neun Jahre her, seit Gómez Bombarelli dem MIT beigetreten ist. Heute konzentriert sich sein Labor darauf, wie sich Zusammensetzung, Struktur und Reaktivität von Atomen auf die Materialleistung auswirken. Er hat auch Hochdurchsatzsimulationen verwendet, um neue Materialien zu erstellen, und an der Entwicklung von Werkzeugen für die Verbindung von Deep Studying mit physikbasierter Modellierung mitgewirkt.

„Durch physikalische Simulationen werden Daten und KI-Algorithmen umso besser, je mehr Daten man ihnen zur Verfügung stellt“, sagt Gómez Bombarelli. „Es gibt alle möglichen positiven Zyklen zwischen KI und Simulationen.“

Die von ihm aufgebaute Forschungsgruppe arbeitet ausschließlich rechnerisch – sie führt keine physikalischen Experimente durch.

„Es ist ein Segen, weil wir eine große Bandbreite haben und viele Dinge gleichzeitig erledigen können“, sagt er. „Wir lieben es, mit Experimentatoren zusammenzuarbeiten und versuchen, gute Accomplice mit ihnen zu sein. Wir lieben es auch, Rechenwerkzeuge zu entwickeln, die Experimentatoren dabei helfen, die Ideen der KI zu selektieren.“

Gómez-Bombarelli konzentriert sich auch immer noch auf die realen Anwendungen der von ihm erfundenen Materialien. Sein Labor arbeitet eng mit Unternehmen und Organisationen wie dem Industrial Liaison Program des MIT zusammen, um die materiellen Bedürfnisse des privaten Sektors und die praktischen Hürden der kommerziellen Entwicklung zu verstehen.

Beschleunigung der Wissenschaft

Während die Begeisterung für künstliche Intelligenz explosionsartig zugenommen hat, hat Gómez-Bombarelli miterlebt, wie das Fachgebiet reifer geworden ist. Unternehmen wie Meta, Microsoft und DeepMind von Google führen mittlerweile regelmäßig physikbasierte Simulationen durch, die an das erinnern, woran er 2016 arbeitete. Im November startete das US-Energieministerium die Genesis-Mission, um wissenschaftliche Entdeckungen, nationale Sicherheit und Energiedominanz mithilfe von KI zu beschleunigen.

„KI für Simulationen hat sich von etwas, das vielleicht funktionieren könnte, zu einer wissenschaftlichen Konsensansicht entwickelt“, sagt Gómez-Bombarelli. „Wir befinden uns an einem Wendepunkt. Menschen denken in natürlicher Sprache, wir schreiben Arbeiten in natürlicher Sprache, und es stellt sich heraus, dass diese großen Sprachmodelle, die natürliche Sprache beherrschen, die Möglichkeit eröffnet haben, die Wissenschaft zu beschleunigen. Wir haben gesehen, dass die Skalierung für Simulationen funktioniert. Wir haben gesehen, dass die Skalierung für Sprache funktioniert. Jetzt werden wir sehen, wie die Skalierung für die Wissenschaft funktioniert.“

Als er zum ersten Mal ans MIT kam, Gómez-Bombarelli sagt, er sei überwältigt davon gewesen, wie konkurrenzlos die Dinge zwischen den Forschern seien. Er versucht, das gleiche Positiv-Summen-Denken in seine Forschungsgruppe zu übertragen, die aus etwa 25 Doktoranden und Postdoktoranden besteht.

„Wir haben uns von Natur aus zu einer wirklich vielfältigen Gruppe mit unterschiedlichen Mentalitäten entwickelt“, sagt Gomez-Bombarelli. „Jeder hat seine eigenen Karriereziele sowie Stärken und Schwächen. Herauszufinden, wie man Menschen dabei helfen kann, die beste Model ihrer selbst zu werden, macht Spaß. Jetzt bin ich derjenige, der darauf besteht, dass sich die Leute nach Ablauf der Frist auf Fakultätsstellen bewerben. Ich glaube, ich habe diesen Staffelstab weitergegeben.“

Bild vom Herausgeber

# Einführung

Pandas ist zweifellos eine beeindruckende und vielseitige Bibliothek Datenabläufe verwalten und analysierenetwas Grundlegendes im Gesamtbild der Datenwissenschaft. Wenn die Datensätze jedoch sehr groß werden, ist dies möglicherweise nicht die effizienteste Choice, da sie hauptsächlich in einem einzelnen Thread ausgeführt wird und stark auf den Python-Interpreter angewiesen ist, was zu einer erheblichen Verarbeitungszeit führen kann.

Dieser Artikel verlagert den Fokus auf eine neuere Bibliothek, die Pandas-ähnliche Vorgänge beschleunigt: Polaren. Insbesondere werde ich mit Ihnen teilen 10 aufschlussreiche Polars-Einzeiler täglich zu rationalisieren und zu beschleunigen Datenmanipulations- und -verarbeitungsaufgaben.

Vergessen Sie dies nicht, bevor Sie beginnen import polars as pl Erste!

# 1. CSV-Dateien laden

Die Methode von Polars zum Lesen eines Datensatzes aus einer CSV-Datei sieht dem Pandas-Pendant sehr ähnlich, mit der Ausnahme, dass sie multithreaded ist (und intern in Rust geschrieben ist), wodurch Daten viel effizienter geladen werden können. Dieses Beispiel zeigt, wie eine CSV-Datei in einen Polars DataFrame geladen wird.

df = pl.read_csv("dataset.csv")

Selbst bei einem mittelgroßen Datensatz (nicht nur extrem großen) könnte der Zeitunterschied zum Lesen der Datei mit Polars etwa fünfmal schneller sein als mit Pandas.

# 2. Lazy Loading für skalierbarere Arbeitsabläufe

Das Erstellen eines sogenannten „Lazy Dataframe“ anstelle des eifrigen Lesens in einem Rutsch ist ein Ansatz, der es ermöglicht, nachfolgende Vorgänge im gesamten Datenworkflow zu verketten und sie nur dann auszuführen, wenn der accumulate() -Methode wird schließlich aufgerufen – eine sehr praktische Strategie für große Datenpipelines! Hier erfahren Sie, wie Sie das verzögerte Laden von Datenrahmen mithilfe von anwenden scan_csv() Verfahren:

df_lazy = pl.scan_csv("dataset.csv")

# 3. Auswählen und Umbenennen relevanter Spalten

Um die spätere Verarbeitung einfacher und übersichtlicher zu gestalten, empfiehlt es sich, sicherzustellen, dass Sie nur mit Spalten des Datensatzes arbeiten, die für Ihr Datenwissenschafts- oder Analyseprojekt related sind. Hier erfahren Sie, wie Sie dies effizient mit Polars-Datenrahmen tun. Angenommen, Sie verwenden einen Kundendatensatz wie Dieses hier. Sie können dann den folgenden Einzeiler verwenden, um relevante Spalten Ihrer Wahl wie folgt auszuwählen:

df = df.choose((pl.col("Buyer Id"), pl.col("First Identify")))

# 4. Filtern nach einer Teilmenge von Zeilen

Natürlich können wir auch bestimmte Zeilen, z. B. Kunden, nach Polars-Artwork filtern. Dieser Einzeiler wird verwendet, um Kunden zu filtern, die in einer bestimmten Stadt leben.

df_filtered = df.filter(pl.col("Metropolis") == "Hatfieldshire")

Möglicherweise möchten Sie eine Methode wie verwenden show() oder head() um das Ergebnis dieser „Abfrage“ zu sehen, additionally die Zeilen, die die angegebenen Kriterien erfüllen.

# 5. Gruppierung nach Kategorie und Berechnung von Aggregationen

Bei Vorgängen wie Gruppierung und Aggregation zeigt sich der Wert der Effizienz von Polars erst in größeren Datensätzen. Nehmen Sie diesen Einzeiler als Beispiel: Der Schlüssel hier ist das Kombinieren group_by auf einer kategorialen Spalte, mit agg() um eine Aggregation für alle Zeilen in jeder Gruppe durchzuführen, z. B. einen Durchschnitt für eine numerische Spalte oder einfach eine Anzahl von Zeilen in jeder Gruppe, wie unten gezeigt:

df_city = df.group_by("Metropolis").agg((pl.len().alias("num_customers")))

Seien Sie vorsichtig! Bei Pandas ist das groupby() hat kein Unterstrich-Image, in Polars jedoch schon.

# 6. Abgeleitete Spalten erstellen (Easy Function Engineering)

Dank der vektorisierten Berechnungsfunktionen von Polars ist die Erstellung neuer Spalten aus arithmetischen Operationen auf bestehenden deutlich schneller. Dieser Einzeiler demonstriert dies (berücksichtigt man nun das beliebte Wohnen in Kalifornien Datensatz für die folgenden Beispiele!):

df = df.with_columns((pl.col("total_rooms") / pl.col("households")).alias("rooms_per_household"))

# 7. Anwenden bedingter Logik

Kontinuierliche Attribute wie Einkommensniveaus oder ähnliche Attribute können vektorisiert und ohne Overhead kategorisiert und in beschriftete Segmente umgewandelt werden. In diesem Beispiel wird eine erstellt income_category Spalte basierend auf dem Durchschnittseinkommen professional Bezirk in Kalifornien:

df = df.with_columns(pl.when(pl.col("median_income") > 5).then(pl.lit("Excessive")).in any other case(pl.lit("Low")).alias("income_category"))

# 8. Ausführen einer Lazy Pipeline

Dieser Einzeiler ist zwar etwas größer, fasst jedoch mehrere der in den vorherigen Beispielen gezeigten Ideen zusammen, um eine Lazy-Pipeline zu erstellen, die mit ausgeführt wird accumulate Verfahren. Denken Sie daran: Damit dieser Lazy-Ansatz funktioniert, müssen Sie den Einzeiler Nummer 2 verwenden, um Ihre Datensatzdatei „auf die Lazy-Artwork“ zu lesen.

consequence = (pl.scan_csv("https://uncooked.githubusercontent.com/ageron/handson-ml/grasp/datasets/housing/housing.csv")
        .filter(pl.col("median_house_value") > 200000)
        .with_columns((pl.col("total_rooms") / pl.col("households")).alias("rooms_per_household"))
        .group_by("ocean_proximity").agg(pl.imply("rooms_per_household").alias("avg_rooms_per_household"))
        .kind("avg_rooms_per_household", descending=True)
        .accumulate())

# 9. Zusammenfügen von Datensätzen

Nehmen wir an, wir hätten einen zusätzlichen Datensatz namens region_stats.csv mit statistischen Informationen, die für die kalifornischen Bezirke gesammelt wurden. Wir könnten dann einen Einzeiler wie diesen verwenden, um Verknüpfungsoperationen auf eine bestimmte kategoriale Spalte anzuwenden, wie folgt:

df_joined = df.be part of(pl.read_csv("region_stats.csv"), on="ocean_proximity", how="left")

Das Ergebnis wäre eine effiziente Kombination der Wohnungsdaten mit Metadaten auf Bezirksebene über die Multithread-Joins von Polars, die die Leistung auch über größere Datensätze hinweg bewahren.

# 10. Durchführen rollierender Berechnungen

Bei stark schwankenden Datenvariablen sind rollierende Combination nützlich, um beispielsweise durchschnittliche Hauswerte über Breiten- und Längengrade hinweg zu glätten. Dieser Einzeiler veranschaulicht, wie eine so schnelle, vektorisierte Operation angewendet wird: perfekt für zeitliche oder geografische Sequenzen.

df = df.kind("longitude").with_columns(pl.col("median_house_value").rolling_mean(window_size=7).alias("rolling_value_avg"))

# Zusammenfassung

In diesem Artikel haben wir 10 praktische Einzeiler für den effizienten Einsatz von Polars als schnelle Various zu Pandas für die Verarbeitung großer Datenmengen aufgelistet. Diese Einzeiler fassen schnelle, optimierte Strategien für die Verarbeitung großer Datenmengen in kürzerer Zeit zusammen. Nutzen Sie diese, wenn Sie das nächste Mal mit Polars in Ihren Projekten zusammenarbeiten, und Sie werden zweifellos eine Reihe von Verbesserungen feststellen.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Die Beziehung zwischen Fondsmanagern und Anlegern hängt von zeitnahen, genauen Informationen ab. Künstliche Intelligenz Ist die Umgestaltung der Umstellung, Verarbeitung und Kommunizierung von Daten, sodass Supervisor die wachsenden Anforderungen an Transparenz und Reaktionsfähigkeit erfüllen können. Wenn Investitionsumgebungen mehr werden datenintensivKI spielt eine wesentliche Rolle bei der Umwandlung von Informationsflüssen in strukturiertere, umsetzbare Erkenntnisse.

Automatisierung der Datenaggregation und Berichterstattung

Fondsmanager befassen sich mit großen Mengen an Marktdaten, operativen Metriken und Portfolio -Leistungsindikatoren. KI -Systeme können diese Daten automatisch aus unterschiedlichen Quellen zusammenfassen und die manuelle Arbeitsbelastung und mögliche Fehler reduzieren. Instruments für natürliche Sprachgenerierung werden auch verwendet, um die Kommunikation von Investoren zu entwickeln und Rohdaten in klare, präzise Aktualisierungen umzuwandeln. Diese Streamlining ermöglicht schnellere Berichtszyklen und unterstützt regelmäßigere Aktualisierungen in Anleger, insbesondere für komplexe Strategien, die various Vermögenswerte beinhalten.

Echtzeitüberwachung und benutzerdefinierte Warnungen

Künstliche Intelligenz verbessert die Echtzeitüberwachung von Portfolios und ermöglicht es Fondsmanagern, Anomalien oder bedeutende Ereignisse zu kennzeichnen. KI -Instruments können Marktbewegungen, regulatorische Änderungen und Finanznachrichten scannen und Traits identifizieren, die die Leistung der Fonds beeinflussen können. Anleger profitieren von Warnmeldungen, die kontextbezogene und datengesteuerte Warnungen erhalten, was ein höheres Maß an Engagement und Vertrauen unterstützt.

Verbesserte Personalisierung der Kommunikation

Unterschiedliche Anleger haben unterschiedliche Informationspräferenzen, und KI hilft, Aktualisierungen anzupassen, um diese Unterschiede widerzuspiegeln. Durch Verhaltensdaten und Verlobungsverlauf kann KI das Timing, das Format und den Inhalt der Kommunikation auf individuelle Anlegeranforderungen anpassen. Beispielsweise können Hochfrequenzinvestoren detailliertere Leistungsaufschlüsse erhalten, während sich langfristige Anleger möglicherweise auf strategische Zusammenfassungen konzentrieren.

Verbesserte Transparenz in alternativen Vermögenswerten

Vermögensklassen wie Non-public Fairness und Privatschulden stehen häufig einer begrenzten Transparenz aus. KI kann die Integration von unterstützen personal Schuldensoftware In breitere Berichtssysteme, wobei detailliertere Leistung und Risikooffenbarungen ermöglichen. Dies verbessert das Vertrauen bei Investoren, die eine größere Sichtbarkeit in der Verwaltung ihres Kapitals benötigen.

Die Rolle der AI bei der Investitionskommunikation wächst in Bezug auf Umfang und Raffinesse. Von der Datenaggregation bis zur personalisierten Lieferung helfen KI -Instruments, die Finanzierung von Managern zu finanzieren, stärkere und reaktionsschnelle Beziehungen zu ihren Anlegern. Da diese Technologien stärker in Fondsbetriebe eingebettet werden, werden sich die Geschwindigkeit und die Präzision der Informationsströme weiter verbessern. Weitere Informationen finden Sie in der dazugehörigen Infografik.

Der MIT Well being and Life Sciences Collaborative (MIT heilt) startet das BISWAS Postdoctoral Fellowship Program, um die Arbeit herausragender Forscher im Frühkarrieren in Gesundheits- und Biowissenschaften voranzutreiben. Das Programm wird durch ein Geschenk der Biswas Household Basis unterstützt und soll dazu beitragen, modernste Forschung zu wenden, um die Gesundheitsversorgung und das Leben von Millionen zu verbessern.

Das Programm wird außergewöhnliche Postdocs unterstützen, die sich der Innovation in der menschlichen Gesundheitsversorgung durch eine breite Palette von Wegen gewidmet haben, z. Mit einer ersten Finanzierung von 12 Millionen US-Greenback werden für jeden der nächsten vier Jahre fünf vierjährige Stipendien abgelaufen, ab Anfang 2026.

„Ein wesentliches Ziel von MIT Heals ist es, neue Wege und Möglichkeiten zur Bereitstellung von Gesundheitslösungen im Maßstab zu finden, und die Biswas Household Basis teilt unser Engagement für skalierbare Innovationen und umfassende Auswirkungen. MIT befindet sich auch im Talentgeschäft, und das Gründung der Stiftung ermöglicht es uns, außergewöhnliche Wissenschaftler auf dem Campus zu erforschen. Fellows zum MIT “, sagt MIT -Präsident Sally Kornbluth.

„Es ist uns sehr geehrt, dieses Postdoktorandenprogramm von Weltklasse zu starten“, fügt Anantha P. Chandrakasan, Chief Innovation and Technique Officer und Leiter des MIT-Heilungen des MIT, Fühe. „Wir gehen davon aus, High-Kandidaten aus der ganzen Welt anzulocken, um modern Kreuzkürzungsprojekte in KI und Gesundheit, Krebstherapien, Diagnostik und darüber hinaus zu leiten. Diese Stipendiaten werden durch einen strengen Prozess ausgewählt, der von einem angesehenen Komitee beaufsichtigt wird, und werden die Möglichkeit haben, mit unserer Fakultät an den vielversprechendsten und wirkungsvollsten Ideen zusammenzuarbeiten.“

Angela Koehler, Fakultätsleiter von MIT Heals, Professor in der Abteilung für Organic Engineering des MIT und stellvertretender Direktor des Koch -Instituts für integrative Krebsforschung, betonte, dass die Ziele des MIT -Heilungen intestine mit einem erklärten Ziel übereinstimmen, sich mit einem erklärten Ziel der Biswas -Stiftung auswirken: „Wissenschaftliche und technologische Berufe zu nutzen, um die globale Wirkung auf die globale öffentliche Gesundheit zu revolutionieren und die globale öffentliche Veröffentlichung auf die globale öffentliche Gesundheit zu revolutionieren.

„Die Gesundheitsversorgung ist ein Mannschaftssport“, sagt Koehler. „MIT hears versucht, Verbindungen zu schaffen, an denen Ermittler mit vielfältigem Fachwissen im gesamten Institut beteiligt sind, um die transformativsten Probleme zu lösen, die sich auf die menschliche Gesundheit auswirken. Mitglieder der MIT -Neighborhood sind intestine bereit, an Groups teilzunehmen und einen Einfluss zu erzielen.“

MIT Heals versucht auch, seine Wirksamkeit zu maximieren, indem er die Zusammenarbeit mit medizinischen Fakultäten und Krankenhäusern erweitert, beginnt mit der Definition wichtiger Probleme, die durch Forschung angegangen werden können, und fordert sich bis zu klinischen Studien fort, sagt Koehler.

Die Biswas Household Basis hat bereits eine ähnliche Strategie gezeigt.

„Die Familie Biswas hat eine Geschichte, in der Verbindungen und Partnerschaften zwischen Institutionen ermöglicht werden, die jeweils ein Stück in das Puzzle bringen“, sagt Koehler. „Dies könnte ein Datensatz, ein Algorithmus, ein Agent, eine Technologieplattform oder Patienten sein.“

Hope Biswas, Mitbegründerin der Biswas Household Basis mit ihrem Ehemann MIT Alumnus Sanjit Biswas SM ’05, hob auch die Synergien zwischen der Stiftung und dem MIT hervor.

„Die Biswas Household Basis ist stolz darauf, die MIT hears-Initiative zu unterstützen, die sich wieder vorstellen, wie wissenschaftliche Entdeckungen in reale Gesundheit beeinflusst werden können. Sie konzentrieren sich auf die Förderung der interdisziplinären Zusammenarbeit, um neue Lösungen für Herausforderungen im Gesundheitswesen zu finden, um die Wissenschaft und Technologie zu verbessern, um die Gesundheit der Gesundheit zu verbessern.

„Als Teil dieses Engagements“, fügt Biswas hinzu, „sind wir besonders stolz darauf, herausragende postdoktorale Gelehrte zu unterstützen, die sich auf hochwirksame interdisziplinäre Arbeiten in Bereichen wie Computerbiologie konzentrieren, nanoskalige Therapeutika, Frauengesundheit und fundamentaler, neugieriger Lebenswissenschaften.

KI- und maschinelle Lernsysteme bieten ein neues Universum von Möglichkeiten zur Untersuchung von Krankheiten, biologischen Mechanismen, Therapeutika und Gesundheitsversorgung mit riesigen Datensätzen.

„Die Biologie der KI und Computersysteme kann die Genauigkeit von diagnostischen Ansätzen verbessern, die Entwicklung von Präzisionsmedikamenten ermöglichen, die Auswahl der individuellen Behandlungsstrategie verbessern und die Betriebseffizienz innerhalb von Gesundheitssystemen verbessern“, sagt Koehler. „Die Unterstützung von Sanjit und Hope von umfassende Initiativen in der Biologie der KI und der Computersysteme wird MIT -Forschern dabei helfen, eine Vielzahl von Wegen zu erforschen, um die menschliche Gesundheit in großem Umfang zu beeinflussen.“

Grenzen in gesundheitsbezogenen Forschungen werden zunehmend festgestellt, wo verschiedene Felder konvergieren, und Koehler liefert das Beispiel dafür, wie Fortschritte bei Experimenten mit hohem Durchsatz zur Entwicklung großer Datensätze „mit der Entwicklung neuer Berechnungs- oder KI-Instruments intestine gekoppelt werden können“. Sie fügt hinzu, dass die vierjährige Finanzierungszeit des Postdoktorandenstipendiums „lang genug ist, um Stipendiaten zu überlegen und Projekte an Schnittstellen zu übernehmen, die sich am Ende des Programms als zweisprachige Forscher entwickeln“.

Chandrakasan sieht das Potenzial im Programm für die Biswas Fellows, um revolutionäre Fortschritte in der Gesundheitsforschung zu erzielen.

„Ich bin der Biswas Household Basis unglaublich dankbar für ihre großzügige Unterstützung bei der Ermöglichung der transformativen Forschung am MIT“, sagt Chandrakasan.

Mehrere Forscher haben in den letzten 50 Jahren einen breiten Überblick über den wissenschaftlichen Fortschritt gewesen und sind zu dem gleichen beunruhigenden Schluss gekommen: Die wissenschaftliche Produktivität nimmt ab. Es dauert mehr Zeit, mehr Finanzmittel und größere Groups, um Entdeckungen zu machen, die einst schneller und billiger wurden. Obwohl für die Verlangsamung verschiedene Erklärungen angeboten wurden, müssen Wissenschaftler, da die Forschung komplexer und spezieller wird, mehr Zeit damit verbringen, Veröffentlichungen zu überprüfen, komplexe Experimente zu entwerfen und Daten zu analysieren.

Jetzt versucht das philanthropisch finanzierte Forschungslabor Futurehouse, die wissenschaftliche Forschung mit einer KI -Plattform zu beschleunigen, um viele der kritischen Schritte auf den Weg zum wissenschaftlichen Fortschritt zu automatisieren. Die Plattform besteht aus einer Reihe von AI -Agenten, die auf Aufgaben spezialisiert sind, einschließlich Informationsabruf, Informationssynthese, chemischer Synthesedesign und Datenanalyse.

Die FutureHouse -Gründer Sam Rodriques PhD ’19 und Andrew White glauben, dass er jeden Wissenschaftler Zugang zu seinen KI -Agenten ermöglicht, die größten Engpässe in der Wissenschaft durchbrechen und dazu beitragen können, einige der dringendsten Probleme der Menschheit zu lösen.

„Die natürliche Sprache ist die wirkliche Sprache der Wissenschaft“, sagt Rodriques. „Andere Menschen bauen Grundlage für Biologie auf, bei denen Modelle für maschinelles Lernen die Sprache von DNA oder Proteinen sprechen, und das ist mächtig. Entdeckungen sind jedoch nicht in DNA oder Proteinen dargestellt. Die einzige Möglichkeit, wie wir Entdeckungen, Hypothetern und Vernunft mit natürlicher Sprache darstellen können.“

Große Probleme finden

Für seine Doktorarbeit am MIT versuchte Rodriques, das Innenleben des Gehirns im Labor von Professor Ed Boyden zu verstehen.

„Die gesamte Idee hinter FutureHouse warfare von diesem Eindruck inspiriert, den ich während meiner Promotion am MIT bekommen habe, dass wir es nicht wissen würden, selbst wenn wir alle Informationen hätten, die wir wissen mussten, wie das Gehirn funktioniert, weil niemand Zeit hat, die gesamte Literatur zu lesen“, erklärt Rodriques. „Selbst wenn sie alles lesen könnten, könnten sie es nicht in eine umfassende Theorie zusammenstellen. Das warfare ein grundlegendes Stück des FutureHouse -Puzzles.“

Rodriques schrieb über das Bedürfnis nach Neue Arten von großen Forschungskooperationen Als das letzte Kapitel seiner Doktorarbeit im Jahr 2019 und obwohl er nach dem Abschluss einige Zeit am Francis Crick Institute in London ein Labor verbracht hatte, zogen er sich auf breite Wissenschaftsprobleme, die kein einziges Labor übernehmen konnte.

„Ich warfare daran interessiert, die Wissenschaft zu automatisieren oder zu skalieren und welche Arten von neuen Organisationsstrukturen oder -technologien eine höhere wissenschaftliche Produktivität freischalten würden“, sagt Rodriques.

Als Chat-GPT 3.5 im November 2022 veröffentlicht wurde, sahen Rodriques einen Weg zu leistungsfähigeren Modellen, die selbst wissenschaftliche Erkenntnisse hervorrufen konnten. Zu dieser Zeit traf er auch Andrew White, einen Computerchemiker an der Universität von Rochester, der einen frühen Zugang zu Chat-GPT 4 gewährt hatte. White hatte den ersten großartigen Agenten für die Wissenschaft aufgebaut, und die Forscher schlossen sich zusammen, um FutureHouse zu gründen.

Die Gründer begannen, verschiedene KI -Instruments für Aufgaben wie Literaturrecherchen, Datenanalyse und Hypothesengenerierung zu erstellen. Sie begannen mit der Datenerfassung und veröffentlichten schließlich im September 2024 Paperqa, was Rodriques den besten KI -Agenten der Welt zum Abrufen und Zusammenfassen von Informationen in der wissenschaftlichen Literatur nennt. Etwa zur gleichen Zeit veröffentlichte sie jemanden, ein Instrument, mit dem Wissenschaftler feststellen können, ob jemand bestimmte Experimente durchgeführt oder bestimmte Hypothesen untersucht hat.

„Wir saßen nur herum und fragten:“ Welche Fragen stellen wir die ganze Zeit als Wissenschaftler? „

Als FutureHouse am 1. Mai dieses Jahres offiziell seine Plattform startete, umbenannte es einige seiner Werkzeuge. Papier -QA ist jetzt Krähe und hat jetzt jemand Owl genannt. Falcon ist ein Agent, der in der Lage ist, mehr Quellen als Krähe zusammenzustellen und zu überprüfen. Ein weiterer neuer Agent, Phoenix, kann spezielle Instruments verwenden, um Forschern zu helfen, Chemie -Experimente zu planen. Und Finch ist ein Agent, der datengesteuerte Entdeckungen in der Biologie automatisiert.

Am 20. Mai zeigte das Unternehmen einen multi-Agent-Workflow für wissenschaftliche Entdeckungen, um wichtige Schritte des wissenschaftlichen Prozesses zu automatisieren und einen neuen therapeutischen Kandidaten für trockene altersbedingte Makuladegeneration (DAMD) zu identifizieren, eine Hauptursache für irreversible Blindheit weltweit. Im Juni veröffentlichte FutureHouse Ether0, ein 24B-Argumentationsmodell für Chemie.

„Man muss sich diese Agenten wirklich als Teil eines größeren Programs vorstellen“, sagt Rodriques. „Bald werden die Literatursuchagenten in den Datenanalyse -Agenten, den Hypothese -Generierungsagenten, einen Experimentplanungsagenten, integriert und alle so konstruiert, dass sie nahtlos zusammenarbeiten.“

Agenten für alle

Heute kann jeder zu den Agenten von FutureHouse auf Platform.futureHouse.org zugreifen. Die Plattformstart des Unternehmens erzeugte Aufregung in der Branche, und Geschichten haben über Wissenschaftler begonnen, die die Agenten verwenden, um die Forschung zu beschleunigen.

Einer der Wissenschaftler von FutureHouse verwendeten die Agenten, um ein Gen zu identifizieren, das mit dem polyzystischen Eierstocksyndrom in Verbindung gebracht werden könnte und eine neue Behandlungshypothese für die Krankheit erstellt. Ein weiterer Forscher am Lawrence Berkeley Nationwide Laboratory verwendete Crow, um einen KI -Assistenten zu erstellen, der in der PubMed Analysis -Datenbank nach Informationen zur Alzheimer -Krankheit durchsucht wurde.

Wissenschaftler einer anderen Forschungseinrichtung haben die Agenten genutzt, um systematische Überprüfungen von Genen durchzuführen, die für die Parkinson -Krankheit related sind, und die FutureHouse -Agenten fanden, dass die Agenten von FutureHouse besser abschneiden als Generalagenten.

Rodriques sagt, Wissenschaftler, die an die Agenten denken, die weniger wie Google Scholar und eher wie ein intelligenter Assistentenwissenschaftler das Beste aus der Plattform herausholen.

„Menschen, die nach Spekulationen suchen, neigen dazu, aus Chat-GPT O3-Forschung mehr Kilometer zu erzielen, während Menschen, die nach wirklich treuen Literaturberichten suchen, tendenziell mehr aus unseren Agenten herausholen“, erklärt Rodriques.

Rodriques glaubt auch, dass FutureHouse bald zu einem Punkt gelangen wird, an dem seine Agenten die Rohdaten aus Forschungsarbeiten verwenden können, um die Reproduzierbarkeit ihrer Ergebnisse zu testen und Schlussfolgerungen zu überprüfen.

Laut Rodriques ist Rodriques länger, um den wissenschaftlichen Fortschritt voranzutreiben, so Rodriques daran, seine Agenten mit stillschweigendem Wissen einzubetten, um anspruchsvollere Analysen durchzuführen und den Agenten gleichzeitig die Möglichkeit zu geben, Computerwerkzeuge zur Erkundung von Hypothesen zu verwenden.

„Es gab so viele Fortschritte in Bezug auf Basis -Modelle für Wissenschaft und Sprachmodelle für Proteine ​​und DNA, dass wir unseren Agenten jetzt Zugang zu diesen Modellen und allen anderen Werkzeugen gewähren müssen, die Menschen üblicherweise für Wissenschaft verwenden“, sagt Rodriques. „Der Aufbau der Infrastruktur, damit Agenten spezialisiertere Instrumente für die Wissenschaft verwenden können, ist entscheidend.“

Die Nutzung der Stärken zweier Weltklasse-Forschungsinstitutionen, MIT und Mass Basic Brigham (MGB), feierte kürzlich die Einführung des MIT-MGB-Saatgutprogramms. Die neue Initiative, die von Analog Units Inc. (ADI) unterstützt wird, wird gemeinsame Forschungsprojekte finanzieren, die von Forschern am MIT und Mass Basic Brigham geleitet werden. Diese kollaborativen Projekte werden die Forschung in der menschlichen Gesundheit vorantreiben, um Therapien, Diagnostika und digitale Instrumente der nächsten Era zu entwickeln, die das Leben im Maßstab verbessern können.

Das Programm darstellt eine einzigartige Gelegenheit, Innovationen dramatisch zu beschleunigen, die sich mit einigen der dringendsten Herausforderungen bei der menschlichen Gesundheit befassen. Durch die Unterstützung interdisziplinärer Groups von MIT und Mass Basic Brigham, einschließlich Forschern und Klinikern, wird das Saatgutprogramm bahnbrechende Arbeiten fördern, die Fachkenntnisse in der künstlichen Intelligenz, maschinellem Lernen sowie Messung und Erfassungstechnologien mit der pionierischen klinischen Forschung und der Patientenversorgung vereint.

„Die Macht dieses Programms besteht darin, dass es die Stärke von MIT in Wissenschaft, Ingenieurwesen und Innovation mit der wissenschaftlichen und klinischen Forschung von Mass Basic Brigham kombiniert. Mit der Unterstützung und dem Anreiz, zusammenzuarbeiten, haben Forscher und Kliniker die Freiheit, überzeugende Probleme anzugehen und neue Wege zu finden, um sie zu verwandeln, um sie transformative Veränderungen in der Patientenversorgung zu erreichen“, sagt Sally Kornbluth, Präsident von Mit.

„Das MIT-MGB-Saatgutprogramm wird eine interdisziplinäre Zusammenarbeit ermöglichen, um die transformative Forschung und die bahnbrechende Wissenschaft voranzutreiben. Durch die Kombination der kollektiven Stärken und des Fachwissens unserer großartigen Institutionen können wir die medizinische Versorgung verändern und Innovation und Entdeckung mit Geschwindigkeit vorantreiben“, sagt Anne Klibanski, Präsidentin und CEO von Mass Basic Brigham.

Die Initiative wird durch ein Geschenk von ADI finanziert. In den nächsten drei Jahren wird der ADI -Fonds für Gesundheit und Biowissenschaften jährlich ungefähr sechs gemeinsame Projekte unterstützen, wobei die Finanzierung zwischen den beiden Institutionen aufgeteilt wird.

„Die konvergierenden Bereiche der Biologie, der Medizin und des Computer systems versprechen eine neue Ära der Wirksamkeit, Effizienz und Zugang zur Gesundheitsversorgung. ADI hat eine lange und fruchtbare Geschichte der Zusammenarbeit mit MIT und Mass Basic Brigham erlebt, und wir sind von diesem neuen Initiativ-Potenzial, die Zukunft der Patientenversorgung zu verwandeln“, fügt Vincent Rochent, CEO und Vorsitzende des Brettes und des Vorsitzenden des Brettes und des Vorsitzenden des Vorsitzenden des Brettes, das ADI.

Zusätzlich zur Finanzierung haben Groups, die für das Programm ausgewählt wurden, zu Zugang zu unternehmerischen Workshops, einschließlich einiger vom Motor gehostet-ein mit MIT gebautes Risikokonstrument, das sich auf harte Technologie konzentriert. Diese Sitzungen werden Forscher mit Gründern, Investoren und Branchenführern verbinden und ihnen dabei helfen, einen Weg von bahnbrechenden Entdeckungen im Labor bis hin zu Auswirkungen auf die reale Welt zu finden.

Das Programm wird einen offenen Aufruf für Vorschläge für Forscher am MIT und Mass Basic Brigham einführen. Die erste Kohorte finanzierter Projekte wird voraussichtlich im Herbst 2025 eröffnet. Die Preisträger werden von einem gemeinsamen Überprüfungskomitee ausgewählt, das aus MIT- und Mass Basic Brigham -Experten besteht.

Laut der Leiterin der MIT-Fakultät für das MIT-MGB-Saatgutprogramm könnte Alex Ok. Shalek dazu beitragen, dass kollaborative Forschungsteams mit Führungskräften beider Institutionen dazu beitragen, kritische Lücken zu schließen, die in den Innovationen in Gesundheits- und Lebenswissenschaften häufig beeinträchtigen. Shalek ist außerdem Direktor des Institute for Medical Engineering & Science (IMES), des JW Kieckhefer -Professors für IMES und Chemie sowie extramurales Mitglied des Koch -Instituts für integrative Krebsforschung.

„Kliniker erkennen häufig, wo aktuelle Interventionen zu kurz kommen, aber möglicherweise fehlen die wissenschaftlichen Instrumente oder das technische Fachwissen, die für die Entwicklung neuer erforderlich sind. Umgekehrt können MIT -Forscher diese klinischen Herausforderungen nicht vollständig erfassen oder Zugang zu den richtigen Patientendaten und -proben haben“, erklärt Shalek und Harvard auch Mitglied des Ragon -Instituts von Mass Basic Brigham, MIT und Harvard. „Durch die Unterstützung bilateraler Kollaborationen und des Aufbaus einer Group zwischen Disziplinen ist dieses Programm bereit, kritische Fortschritte in der Diagnose, Therapeutik und KI-gesteuerten Gesundheitsanwendungen voranzutreiben.“

Emery Brown, ein praktizierender Anästhesist am Massachusetts Basic Hospital, wird neben Shalek als Vorsprung von Basic Brigham Brigham für das Programm dienen.

„Das MIT-MGB-Saatgutprogramm schafft einen perfekten Sturm. Das Programm bietet der MIT-Fakultät die Möglichkeit, neue Wissenschaft und Ingenieurwesen zu bringen, um wichtige klinische Probleme anzugreifen und zu lösen“, fügt Brown, der auch Edward Hood Taplin Professor für Medizinische Engineering und Computerneurowissenschaften am MIT ist, hinzu. „Das Streben nach Lösungen für wichtige und herausfordernde klinische Probleme durch die allgemeine Brigham -Ärzte und -wissenschaftler wird zweifellos von Wissenschaftlern und Ingenieuren ankurbeln, um neue Technologien zu entwickeln oder neuartige Anwendungen bestehender Technologien zu finden.“

Das MIT-MGB-Saatgutprogramm ist eine Flaggschiff-Initiative in der MIT Well being and Life Sciences Collaborative (MIT heilt). Es spiegelt die Kernmission von MIT Heals wider, MIT als zentrales Zentrum für Innovation und Übersetzung von Gesundheitswissenschaften und Lebenswissenschaften zu etablieren und Verbindungen mit anderen erstklassigen Forschungsinstitutionen in der Area Boston zu nutzen.

„Dieses Programm veranschaulicht die Macht der interdisziplinären Forschung“, sagt Anantha Chandrakasan, Chief Innovation and Technique Officer des MIT, Dekanin für Ingenieurwesen und Leiter von MIT heilt. „Es schafft eine kritische Brücke zwischen klinischer Praxis und technologischer Innovation-zwei Bereiche, die tief miteinander verbunden sein müssen, um reale Lösungen voranzutreiben.“

Der Begin des Programms wurde am 31. März bei einer besonderen Veranstaltung im Samberg Convention Middle von MIT gefeiert.

Unternehmen und Entwickler stehen häufig vor einer steilen Lernkurve bei der Set up sauberer Energietechnologien wie Solarinstallationen und EV -Ladegeräten. Um ein faires Geschäft zu erhalten, müssen sie in einem komplexen Ausschreibungsverfahren navigieren, bei dem Vorschläge angefordert, Angebote bewertet und letztendlich mit einem Anbieter zusammengearbeitet werden.

Jetzt, die von zwei MIT -Alumni und ihren Kollegen gegründete Begin -Station A, wird der Prozess der Bereitstellung sauberer Energie gestoppt. Das Unternehmen hat einen Marktplatz für Clear Vitality entwickelt, der Immobilieneigentümern und Unternehmen hilft, Immobilien zu analysieren, um die Renditen für saubere Energieprojekte zu berechnen, detaillierte Projektlisten zu erstellen, Angebote zu sammeln und zu vergleichen und einen Anbieter auszuwählen.

Die Plattform hilft Immobilienbesitzern und Unternehmen bei der Einführung sauberer Energietechnologien wie Solarmodule, Batterien und EV -Ladegeräte zu den niedrigstmöglichen Preisen, an Stellen mit dem höchsten Potenzial zur Senkung der Energiekosten und -emissionen.

„Wir tun viel, um die Adoption sauberer Energie einfach zu machen“, erklärt Manos Saratsis Smarchs ’15, der mit Kevin Berkemeyer MBA ’14 mit der Station A mitbegründet wurde. „Stellen Sie sich vor, Sie hätten versucht, ein Flugticket zu kaufen, und Ihr Reisebüro hat nur einen Träger verwendet. Es wäre teurer und man könnte nicht einmal an einige Orte gelangen. Unsere Kunden möchten mehrere Optionen haben und leicht etwas über die Erfolgsbilanz erfahren, mit denen sie arbeiten. “

Die Station A hat sich bereits mit einigen der größten Immobilienunternehmen des Landes zusammengetan, von denen einige mit Tausenden von Immobilien den CO2 -Fußabdruck ihrer Gebäude reduzieren. Das Unternehmen arbeitet auch mit Lebensmittelketten, Lagern und anderen Unternehmen zusammen, um den Übergang der sauberen Energie zu beschleunigen.

„Unsere Plattform verwendet viel KI und maschinelles Lernen, um Adressen in den Aufbau von Fußabdrücken zu verwandeln und ihre Stromkosten, verfügbare Anreize zu verstehen und wo sie den höchsten ROI erwarten können“, sagt Saratsis, der als Produktleiter von Station A dient. „Dies würde normalerweise Zehn- oder Hunderttausende von {Dollars} beratungszeit erfordern, und wir können es so schnell ohne Geld tun.“

Aufbau des Fundaments

Als Doktorand in der Abteilung für Architektur des MIT untersuchte Saratsis Umweltdesign -Modellierung und verwendete Daten aus Quellen wie Satellitenbildern, um zu verstehen, wie Gemeinschaften Energie verbrauchen, und um die wirkungsvollsten potenziellen Lösungen für saubere Energie vorzuschlagen. Er sagt Klassen mit Professoren Christoph Reinhart Und Kent Larson waren besonders Augenöffnungen.

„Meine Fähigkeit, ein thermisches Energiemodell aufzubauen und den Stromverbrauch in einem Gebäude am MIT zu simulieren“, sagt Saratsis.

Berkemeyer warfare Präsident des MIT Vitality Golf equipment an der MIT Sloan College of Administration. Er warfare auch wissenschaftlicher Mitarbeiter bei der MIT Vitality Initiative als Teil der Zukunft der Photo voltaic Bericht und ein Lehrerassistent für Kurs 15.366 (Klima- und Energieunternehmen). Er sagt, dass Klassen im Unternehmertum mit Professor der Praxis Invoice Aulet und in Nachhaltigkeit mit hochrangiger Dozentin Jason Jay prägend waren. Vor seinem Studium am MIT hatte Berkemeyer umfangreiche Erfahrung in der Entwicklung von Photo voltaic- und Speicherprojekten und dem Verkauf sauberer Energieprodukte an gewerbliche Kunden. Die späteren Mitbegründer haben die Wege am MIT nicht überschritten, aber nach dem Abschluss arbeiteten sie bei der NRG-Energie der Versorgungsunternehmen zusammen.

„Als Mitbegründer sahen wir eine Gelegenheit, die Annäherung an die CEO von Station A zu verändern, wie Unternehmen sich der sauberen Energie nähern“, sagte Berkemeyer. „Die Station A wurde aus einer gemeinsamen Überzeugung entstanden, dass Daten und Transparenz das volle Potenzial für saubere Energietechnologien für alle ausschöpfen könnten.“

Bei NRG bauten die Gründer Software program auf, um Dekarbonisierungsmöglichkeiten für Kunden zu identifizieren, ohne Analysten für persönliche Audits an die Web sites zu schicken zu müssen.

„Wenn sie mit einer großen Lebensmittelkette oder einem großen Einzelhändler zusammenarbeiten, würden wir proprietäre Analysen verwenden, um dieses Portfolio zu bewerten und Empfehlungen für Dinge wie Solarprojekte, Energieeffizienz und Nachfragereaktion zu erhalten, die innerhalb eines Jahres constructive Renditen erzielen würden.“ Saratsis erklärt.

Die Instruments waren ein großer Erfolg innerhalb des Unternehmens. Im Jahr 2018 beschloss das Paar zusammen mit den Mitbegründern Jeremy Lucas und Sam Steyer, die Technologie in Station A. herauszuholen.

Die Gründer begannen mit Energieunternehmen zusammenzuarbeiten, legten jedoch bald ihren Fokus auf Immobilienbesitzer mit riesigen Portfolios und großen Unternehmen mit langfristigen Leasingverträgen. Viele Kunden haben Hunderte oder sogar Tausende von Adressen zu bewerten. Mit nur den Adressen kann die Station A detaillierte finanzielle Rendite für saubere Energieinvestitionen liefern.

Im Jahr 2020 erweiterte das Unternehmen seinen Schwerpunkt vom Verkauf des Zugangs zu seiner Analytik bis zur Schaffung eines Marktplatzes für Clear -Vitality -Transaktionen und hilft Unternehmen, den Wettbewerbsbetriebsprozess für Clear Vitality -Projekte durchzuführen. Nach der Set up eines Projekts kann die Station A auch bewerten, ob es seine erwartete Leistung erzielt und finanzielle Renditen erzielt.

„Wenn ich mit Leuten außerhalb der Branche spreche, sagen sie:“ Warte, das existiert nicht schon? „, Sagt Saratsis. „Es ist irgendwie verrückt, aber die Branche ist immer noch sehr entstehend, und niemand konnte einen Weg finden, den Ausschreibungsprozess clear und im Maßstab durchzuführen.“

Vom Campus zur Welt

Heute sind rund 2.500 Entwickler für saubere Energie auf der Plattform von Station A aktiv. Eine Reihe großer Immobilieninvestitionstrusss nutzen ihre Dienstleistungen auch, zusätzlich zu Unternehmen wie HP, Nestle und Goldman Sachs. Wenn Station A ein Entwickler wäre, sagt Saratsis, dass sie jetzt in Bezug auf die jährlichen Solareinsätze zu den Prime 10 rangieren würde.

Die Gründer verdanken ihre Zeit am MIT, um ihnen zu helfen, zu skalieren.

„Viele dieser Beziehungen stammen aus dem MIT -Netzwerk, sei es durch Leute, die wir in Sloan oder durch Auseinandersetzung mit dem MIT getroffen haben“, sagt Saratsis. „So viel von diesem Geschäft geht es um den Ruf, und wir haben einen wirklich guten Ruf etabliert.“

Seit seiner Gründung sponsert Station A auch Kurse im Sustainability Lab am MIT, wo Saratsis als Scholar nachforschten. Während sie daran arbeiten, die Angebote von Station A zu erweitern, sagen die Gründer, dass sie die Fähigkeiten nutzen, die sie jeden Tag als Schüler gewonnen haben.

„Alles, was wir bei der Erstellung von Analysen tun, ist in gewisser Weise durch die Dinge inspiriert, die ich beim MIT gemacht habe“, sagt Saratsis.

„Station A fängt gerade erst an“, sagt Berkemeyer. „Clear Vitality Adoption geht nicht nur um Technologie, sondern darum, den Prozess nahtlos und zugänglich zu machen. Das macht uns jeden Tag und wir freuen uns, diese Transformation zu leiten. “