大模型与生物医学：AI + Science第二季读书会启动

fromKristina Armitage/Quanta Magazine

导语

集智俱乐部联合西湖大学助理教授吴泰霖、斯坦福大学计算机科学系博士后研究员王瀚宸、博士研究生黄柯鑫、黄倩，华盛顿大学博士研究生屠鑫明，共同发起以“大模型与生物医学”为主题的读书会，探讨该领域的重要问题，共学共研相关文献，本次读书会为AI + Science第一季读书会成功举办之后，推出的第二季重磅读书会。
读书会从2023年8月13日开始，每周日早上 9:00-11:00 线上举行，持续时间预计8周。欢迎对探索这个激动人心的前沿领域有兴趣的朋友报名参与。

读书会背景

AI以其显著的影响力和多样化的应用，不断为我们揭示新的可能。特别是在基础模型（Foundation Models）的发展中，AI的作用已经趋于突出。基础模型，如OpenAI的GPT系列模型，透过大规模预训练，有效地吸纳并理解人类知识和智慧，从而在各种任务中提供了强大的基础。

而在生物医学领域，这种技术的引入则开启了一扇未知的大门。生物医学是一个复杂且富有挑战性的领域，涉及到大量的数据处理、模式识别、理论模型建构和实验验证等问题。AI基础模型的引入，使得我们能够从前所未有的角度去观察和理解这个领域的问题，加速科学研究的步伐，提高医疗服务的效率和效果。

这种交叉领域的合作，标志着我们正在向科技与生物医学深度融合的新时代迈进，对于推动科学研究、优化医疗服务、促进人类健康有着深远的影响。我们将探讨基础模型在生物医学等科学领域的应用、影响和展望，希望对你有所启发。

本次读书会的框架

在生物医学领域，研究深度和广度覆盖了各个层次尺度。这些研究范围从微观的分子层面（包括DNA，RNA和蛋白质等的研究）展开，进而深入到细胞和器官组织的层面（例如，对癌症等疾病的病理组织的探索）。最后，研究聚焦到宏观的个体健康临床治疗，以及社群的公共健康问题的应对。

以信息流动的视角来看，研究工作通常从最上游的DNA和基因表达分析开始，逐步深入到功能性的蛋白质和小分子药物的研究，最终到达临床诊断和疗法的研发。这构成了一个自上而下，由微观到宏观的研究框架。

在即将召开的读书会中，首先，我们将概述并讨论当前在基础基因组学领域中所进行的大规模模型相关的探索研究工作。随后，转向相对更成熟的蛋白质，小分子以及医学领域的大模型的最新研究成果。我们的目标是通过这样全面和深入的探讨，为大家呈现大模型在生物医学健康研究方面应用的全貌，同时揭示可能的未来研究发展方向。

与复杂科学的关系

生命系统是最典型也最重要的复杂系统，从分子、细胞、组织，到个体、种群、生态系统，生命世界构成了形形色色而相互关联的复杂系统。随着生命科学对复杂结构、功能、相互作用的深入，日益需要复杂系统的理论与方法，以AlphaFold为代表的人工智能技术已经成为破解生命复杂性难题的重要工具，而新兴的大语言模型有望从多个层次进一步提升生命科学研究。

就本读书会的主题而言，基因组学是复杂系统科学的一个典型应用领域，它涉及到数以千计的基因、RNA、蛋白质等生物分子的复杂相互作用网络。这些相互作用不仅在分子层面上展现出复杂性，而且在细胞、组织、器官和个体等多个生物层次上都有显著的影响。结构生物学作为生命科学的重要分支，涉及大量小分子通过复杂相互作用和组装过程所形成大分子的结构与功能。这些大分子的结构与功能，通常取决于其各个部分的精细相互作用，因此结构生物学问题具备明显的复杂系统特征。人工智能技术已经广泛应用于基因组学和结构生物学研究中，新兴的大语言模型凭借其强大的计算和学习能力，正在这两个复杂系统领域崭露头角。

与AI+Science读书会的关系

『大模型与生物医学』读书会是『AI+Science』读书会第二季，它们共同的核心是如何利用AI技术，特别是大型模型，来解决科学研究中的复杂问题，推动科学的进步和创新。『AI+Science』读书会为我们提供了一个广阔的视野，展示了AI技术在各个科学领域的应用潜力。而『大模型和生物医学』读书会则为我们提供了一个深入的视角，展示了AI技术在生物医学领域的具体应用和影响。两者共同构成了一个完整的画面，展示了AI技术与科学研究的紧密结合，以及这种结合带来的巨大潜力和机会。

发起人介绍

王瀚宸现任斯坦福计算机科学系与基因泰克新药研发部门联合博后研究员, 师从Jure Leskovec教授和Aviv Regev院士。他作为第一作者在Nature、Nature Machine Intelligence、NeurIPS等期刊和会议上发表文章，也在ICML、NeurIPS、 ICLR上举办过一些与AI for Science相关的研讨会。他高一时从苏州中学保送至南京大学匡亚明学院物理系本科(2014-2018)，师从王欣然教授。之后他在剑桥大学攻读并获得机器学习博士学位(2019-2022)，师从三一学院院士Joan Lasenby教授。他在互联网行业、金融行业和生物科技行业的公司都待过。

个人主页：https://www.hanchenw.com

吴泰霖博士为西湖大学工学院人工智能方向助理教授。吴泰霖研究方向为 AI 与 Science 学科交叉的核心、普适问题，包括：（1）开发机器学习方法用于大规模科学仿真和设计（流体、机械、材料、生命科学）,（2）开发机器学习方法用于科学发现（物理、生命科学）,（3）基于图神经网络和信息论的表示学习。吴泰霖的工作正被用于流体、等离子体、材料等的大规模仿真，以及物理、天文等领域的科学发现中。其工作发表在 NeurIPS、ICLR、UAI 等机器学习顶级会议以及物理学顶级期刊上，并被 MIT Technology Review 等报道。他也是美国国家科学院院刊（PNAS）、Nature Communications、Nature Machine Intelligence、Science Advances 等综合期刊，以及各机器学习顶级会议的审稿人。博士后期间指导的学生也进入到 Stanford、MIT、UC Berkeley 等学校计算机系或统计系攻读博士学位。

个人主页：https://tailin.org/

黄柯鑫目前就读于斯坦福大学计算机系二年级，导师为Jure Leskovec教授。研究兴趣是将结构/知识引入机器学习模型来理解复杂疾病的机理和发现新的生物学现象。同时也研究由部署生物医药+机器学习系统所带来的算法挑战，比如统计保证，低数据泛化以及可解释性等。

个人主页：https://www.kexinhuang.com/ 

黄倩目前就读于斯坦福大学计算机系二年级，导师为Percy Liang教授和Jure Leskovec教授。之前在康奈尔取得计算机数学双学位。研究兴趣是机器逻辑推理和自动科学发现，包括大模型预训练，复杂代码生成，低数据学习以及可解释性等。

个人主页：https://q-hwang.github.io/ 

屠鑫明目前就读于华盛顿大学西雅图 Paul G Allen school，导师是Sara Mostafavi,  之前在北京大学取得生物和计算机的双学位，研究兴趣主要是利用机器学习解析基因组学数据，包括variant to function预测，单细胞多组学，perturbation modeling。
个人主页：https://xinmingtu.cn/

报名参与读书会

本读书会适合参与的对象

 • 基于AI+Science的相关学科研究，特别是AIforBiology研究中的模型、方法有浓厚兴趣的一线科研工作者；

 • 能基于读书会所列主题和文献进行深入探讨，可提供适合的文献和主题的朋友；

 • 能熟练阅读英文文献，并对复杂科学充满激情，对世界的本质充满好奇的探索者；

 • 想锻炼自己科研能力或者有出国留学计划的高年级本科生及研究生。

本读书会谢绝参与的对象

为确保专业性和讨论的聚焦，本读书会谢绝脱离读书会文本和复杂科学问题本身的空泛的哲学和思辨式讨论；不提倡过度引申在社会、人文、管理、政治、经济等应用层面的讨论。我们将对参与人员进行筛选，如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费，解释权归集智俱乐部所有。

运行模式

本季读书会预计讨论分享8-10次，按暂定框架贯次展开；

每周进行线上会议，由 1-2 名读书会成员以PPT讲解的形式领读相关论文，报名读书会成员可以加入社群，参与讨论，会后可以获得视频回放持续学习，未报名成员可以在集智俱乐部B站或者视频号看公开直播。

举办时间

从 2023 年 8 月 13 日开始，每周日早上 9:00-11:00，持续时间预计8-10 周。我们也会对每次分享的内容进行录制，剪辑后发布在集智斑图网站上，供读书会成员回看，因此报名的成员可以根据自己的时间自由安排学习时间。

参与方式

此次读书会为线上闭门读书会，采用的会议软件是腾讯会议（请提前下载安装）。在扫码完成报名并添加负责人微信后，负责人会将您拉入交流社区（微信群），入群后告知具体的会议号码。

报名方式

第一步：扫码填写报名信息。

扫码报名

第二步：填写信息后，付费299元。

（可参与共创任务获取积分，积分符合标准可以申请退费）

第三步：添加负责人微信，拉入对应主题的读书会社区/微信群。

（本读书会可开发票等证明材料，请联系相关负责人沟通详情）

针对学生的退费机制

读书会通过共学共研的机制，围绕前沿主题进行内容梳理和沉淀，所以针对于学生，可以通过参与共创任务，获取积分，积分达到退费标准之后，可以直接退费。

加入社区后可以获得的资源：

 • 在线会议室沉浸式讨论：与主讲人即时讨论交流。

 • 交互式播放器高效回看：快速定位主讲人提到的术语、论文、大纲、讨论等重要时间点。

 • 高质量的主题微信社群：硕博比例超过80%的成员微信社区，闭门夜谈和交流。

 • 超多学习资源随手可得：从不同尺度记录主题下的路径、词条、前沿解读、算法、学者等。

 • 参与社区内容共创任务：读书会笔记、百科词条、公众号文章、论文解读分享等不同难度共创任务，在学习中贡献，在付出中收获。

 • 共享追踪主题前沿进展：在群内和公众号分享最新进展，领域论文速递。

参与共创任务，共建学术社区：

 • 读书会笔记：在交互式播放器上记录术语和参考文献

 • 集智百科词条：围绕读书会主题中重要且前沿的知识概念梳理成词条。例如：

 • 论文解读分享：认领待读列表中的论文，以主题报告的形式在社区分享

 • 论文摘要翻译：翻译社区推荐论文中的摘要和图注

 • 公众号文章：以翻译整理或者原创生产形式生产公众号文章，以介绍前沿进展。例如：

• 论文翻译

• 科普文章翻译

• 讲座整理

PS：具体参与方式可以加入读书会后查看对应的共创任务列表，领取任务，与运营负责人沟通详情，上述规则的最终解释权归集智俱乐部所有。

阅读材料

以下是由5位发起人老师推荐的文献列表与相关学习资源。欢迎扫码查看收藏，可以直接跳转链接，下载PDF文件，收藏参考文献列表：

基础概览性材料

Ewen Callaway. What's next for AlphaFold and the AI protein-folding revolution. Nature, 2022, 604

Paul J. Carter, Arvind Rajpal. Designing antibodies as therapeutics. cell, 2022, 185(15): 2789-2805

Kyle Swanson, Eric Wu, Angela Zhang, et al. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. cell, 2023

基础模型简介+多模态

基础模型（Foundation Models）是一种大规模预训练的人工智能模型，如OpenAI的GPT系列模型。这些模型通过大量的数据预训练，提供了强大的基础能力，可以在多种任务中进行微调使用。例如，GPT-3和GPT-4模型已经在文本生成、翻译、编程辅助等多个领域显示出了强大的表现。

在生物医学科学领域，文本基础模型如GPT4，Med-PaLM已经初步展示了其巨大潜力。但更多的生物医学科学任务需要多模态基础模型来完成。目前很多工作在推进对文字和图像基础模型的研究，并探索如何在生物医学科学领域训练和应用这样的模型。

大模型简介+多模态 相关阅读材料

Rishi Bommasani, Drew A. Hudson, Ehsan Adeli, et al. On the Opportunities and Risks of Foundation Models. arXiv:2108.07258, 2022

推荐语：基础模型白皮书, 全面介绍基础模型的优势和风险 

Sébastien Bubeck, Varun Chandrasekaran, Ronen Eldan, et al. Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv:2303.12712, 2023

推荐语：报告了OpenAI的GPT-4模型在各种任务中的突出表现，并对人工普适智能的前景进行了探讨。

Karan Singhal, Tao Tu, Juraj Gottweis, et al. Towards Expert-Level Medical Question Answering with Large Language Models. arXiv:2305.09617, 2023

推荐语：本文研究了Med-PaLM 2，一种具备专业内科医生水准的，能够准确回答医疗问题的大语言模型。

Karan Singhal, Shekoofeh Azizi, Tao Tu, et al. Large language models encode clinical knowledge. Nature, 2023: 1-9

推荐语：谷歌开发的临床医学文本大模型，在美国医师资格考试USMLE和其他多项生物医药任务中取得新高

Michael Moor, Oishi Banerjee, Zahra Shakeri Hossein Abad, et al. Foundation models for generalist medical artificial intelligence. Nature, 2023, 616(7956): 259-265

推荐语：展望多模态生物医学科学基础模型及其应用

Kathryn Wantlin, Chenwei Wu, Shih-Cheng Huang, et al. BenchMD: A Benchmark for Unified Learning on Medical Images and Sensors. arXiv:2304.08486, 2023

https://arxiv.org/pdf/2304.08486.pdf 

推荐语：介绍了一个专门为评估和比较不同算法在处理多模态医学图像和传感器数据能力的基准测试平台

Xiaoman Zhang, Chaoyi Wu, Ziheng Zhao, et al. PMC-VQA: Visual Instruction Tuning for Medical Visual Question Answering. arXiv:2305.10415, 2023
https://arxiv.org/abs/2305.10415

推荐语：介绍了一个新的视觉问题回答数据集，PMC-VQA，并使用其进行视觉指令调整来增强模型在解决医学影像问题上的能力。

Lavender Yao Jiang, Xujin Chris Liu, Nima Pour Nejatian, et al. Health system-scale language models are all-purpose prediction engines. Nature, 2023: 1-6

推荐语：本文介绍了一种通用的全健康系统的语言模型，对于非结构化病历也有很好的兼容性，用于辅助医生进行临床医疗。

Tao Tu, Shekoofeh Azizi, Danny Driess, et al. Towards Generalist Biomedical AI. arXiv:2307.14334, 2023

推荐语：本文研究了Med-PaLM M在影像学医疗中表现出比放射科医生更精确的诊断能力，对于通用AI生物医学的发展具有里程碑意义。

大模型+基因

导语

基因组学作为生命科学的重要分支，致力于研究生物体的基因组结构、功能和相互作用。而大模型则是近年来人工智能领域的热门话题，它们以强大的计算能力和学习能力，有可能为基因组学研究带来了巨大的突破。大模型的学习能力有可能使得它们能够预测基因功能、发现基因间的相互作用，并揭示潜在的遗传变异与疾病之间的联系。

在本次读书会中，我们将一同探讨大模型在基因组学中的一些热门话题。比如，我们将聚焦于基因组与语言之间的差异。基因组与语言不同，所以直接搬运NLP上的大模型任务到基因组有待考究。比如基因它是一种固定的单位，并没有像语言那样的特别强的序列关系信息。基因组的不同之处在于它们来自于表达量的差异，而非序列的排列顺序。因此，如何设计大模型预训练的任务值得大家思考和讨论。

另外，基因组学领域涉及大量的结构数据，这些数据揭示了基因组之间的关系。这些结构数据为我们揭示了基因组内部的细微差异以及它们与其他基因组之间的相互作用，为深入理解基因组学提供了重要的线索。如何结合这些已经有的结构化数据到大模型中？

大模型+基因 相关阅读材料

Huang, Kexin, Cao Xiao, Lucas M. Glass, Cathy W. Critchlow, Greg Gibson, and Jimeng Sun. "Machine learning applications for therapeutic tasks with genomics data." Patterns 2, no. 10 (2021): 100328.

推荐语：这篇综述大范围调查了机器学习在基因组学用于快速高效的药物研发上的应用，也总结了技术上和客观上的挑战。

Cui, Haotian, Chloe Wang, Hassaan Maan, and Bo Wang. "scGPT: Towards Building a Foundation Model for Single-Cell Multi-omics Using Generative AI." bioRxiv (2023): 2023-04.

推荐语：本文介绍了用生成式AI建立单细胞多组学基础模型，能够捕捉有意义的生物学信息并能快速微调优化。

Theodoris, C.V., Xiao, L., Chopra, A. et al. Transfer learning enables predictions in network biology. Nature (2023). https://doi.org/10.1038/s41586-023-06139-9

推荐语：本文介绍了迁移学习，它代表了一种预训练的深度学习模型，通过微调，下游程序能够加速网络中关键调节因子和候选治疗靶点的发现。

Shen, Hongru, Jilei Liu, Jiani Hu, Xilin Shen, Chao Zhang, Dan Wu, Mengyao Feng et al. "Generative pretraining from large-scale transcriptomes for single-cell deciphering." Iscience 26, no. 5 (2023).

Chen, J., Xu, H., Tao, W. et al. Transformer for one stop interpretable cell type annotation. Nat Commun 14, 223 (2023). https://doi.org/10.1038/s41467-023-35923-4

Yang, F., Wang, W., Wang, F. et al. scBERT as a large-scale pretrained deep language model for cell type annotation of single-cell RNA-seq data. Nat Mach Intell 4, 852–866 (2022). https://doi.org/10.1038/s42256-022-00534-z

推荐语：

第一篇文章介绍了tGPT，它代表了一种新的整合与破译转录物组的范式。

第二篇文章介绍了TOSICA，一种基于Transformer的单细胞可解释注释模型，有快速精确的one-stop注释和batch-insensitive集成。

第三篇文章介绍了scBERT，一种单细胞RNA序列数据的细胞注释模型，解决了缺乏基因序列标记等问题，有良好概括性和稳健性。

Benegas, Gonzalo, Sanjit Singh Batra, and Yun S. Song. "DNA language models are powerful zero-shot predictors of non-coding variant effects." bioRxiv (2022): 2022-08.

Zvyagin, Maxim, Alexander Brace, Kyle Hippe, Yuntian Deng, Bin Zhang, Cindy Orozco Bohorquez, Austin Clyde et al. "GenSLMs: Genome-scale language models reveal SARS-CoV-2 evolutionary dynamics." bioRxiv (2022): 2022-10.

推荐语：GWAS给MML在DNA中的应用创造了可能。

第一篇文章介绍了GPN，通过无监督学习全基因组变异影响，并在测试中取得了良好效果。

第二篇文章介绍了GenSLMs，一种基因组尺度的语言模型，揭示了SARS-CoV-2的进化动力学。

大模型 + 结构生物学

导语

结构生物学，一直在致力于解析生物分子、特别是蛋白质和核酸的三维结构，以了解它们的功能、活动和相互作用。在过去的几十年里，结构生物学已经为我们揭示了许多生命的秘密。

然而，由于实验困难和数据复杂性，结构生物学面临着巨大的挑战。这就是机器学习发挥其强大作用的地方。通过大数据处理，模式识别，预测建模等，机器学习已经被广泛应用在生物信息学，药物发现，基因编辑等领域。特别是近年来，深度学习的应用，为结构生物学的研究带来了前所未有的可能性。结构生物学和机器学习的融合，将极大推动生物科学的进步。在这个研讨会上，我们邀请了来自一些领域内的专家，他们在这个交叉领域做出了卓越的贡献。他们将分享他们的最新研究成果，讨论新的科研方向，展望未来的可能性。

大模型+ 结构生物学 相关阅读材料

Zeming Lin et al. Evolutionary-scale prediction of atomic-level protein structure with a language model.Science379,1123-1130(2023).DOI:10.1126/science.ade2574

推荐语：本文综述了语言模型带来的高分辨率结构预测的革命，实现了宏基因组蛋白序列结构的预测，并且这种预测具有高的可信度。

P Sturmfels, R Rao, R Verkuil, et al. Seq2MSA: A Language Model for Protein Sequence Diversification. Nature, 2021, 596(26 August 2021): 583

推荐语：本文介绍了一个语言模型，使得即便输入了一个较低的序列特征的蛋白，生成的序列能保持与目标序列结构上的一致，这将有助于科研人员已有目标结构的新蛋白研发。

John Jumper, Richard Evans, Alexander Pritzel, et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021: 1-11

推荐语：本文介绍了一种卓越而又新颖的机器学习方法——AlphaFold，它基于神经网络模型，结合了蛋白结构的物理和生物维度，扩充了多元序列比对。

M Baek, I Anishchenko, I Humphreys, et al. Efficient and accurate prediction of protein structure using RoseTTAFold2. bioRxiv, 2023

推荐语：本文介绍了一种由结合AlphaFold2与RoseTTAFold 共同优势的模型 ，它对于大分子和复杂蛋白有着良好的分辨率，扩展了RoseTTAFold 原始的三轨结构体系，为进一步研究提供了良好工具。

Ruidong Wu, Fan Ding, Rui Wang, et al. High-resolution de novo structure prediction from primary sequence. bioRxiv, 2022

推荐语：本文介绍了OmegaFold，它能够实现高分辨率主要序列的从头合成预测，尤其是不属于任何蛋白家族的孤立蛋白结构和多序列比对预测不准确的抗体。

大模型+生物医药安全性 

导语

在我们进入大模型和生物医学的交汇点时, 需要特别关注的一点是生物医药的安全性。例如，AI模型的预测和决策可能直接影响患者的治疗方案和药物选择，这就需要我们仔细评估模型的准确性、可解释性和稳健性，确保模型的预测结果不会导致不良的医疗后果。药物发现、基因编辑、临床决策支持等领域本身已经有很多对安全性的研究，但大模型的广泛应用和巨大规模带来了新的挑战。我们也面临着伦理和对齐的挑战。例如，我们需要考虑数据隐私、算法偏见、模型的可解释性等问题。

大模型+生物医药安全性 相关阅读材料

S Harrer. Attention is not all you need: the complicated case of ethically using large language models in healthcare and medicine. PERSONAL VIEW, 2023, 90(APRIL 2023): 104512

推荐语：本文综述了大型语言模型（Large Language Models, LLMs）应用于医疗保健服务和医药卫生领域的复杂案例，它不能取代人类而只是提供风险评估的工具，帮助人们做出合乎伦理的，科学的，人文的工作规划。

A Blasimme, E Vayena. The Ethics of AI in Biomedical Research, Patient Care, and Public Health. Patient Care and Public Health, 2019

DD Farhud, S Zokaei. Ethical Issues of Artificial Intelligence in Medicine and Healthcare. Iran J Public Health, 2021, 50(11): i–v

推荐语：两篇文章均综述了人工智能在医药领域应用中的伦理问题。

第一篇文章中提出人工智能驱动的健康护理和公共卫生领域的伦理问题：比如安全问题和标准的统一问题，智能化对专业护理人员和患者的影响，个体和群体治疗与疾病预防算法决策中的公平和歧视问题等，并综述了相应的管理方法。

第二篇文章综述了人工智能广泛应用于医药领域后面临各种各样的伦理上和法律上的挑战，包括隐私和数据保护，知情同意，医疗咨询、同理心和同情心等，在促进了数据储存和卫生部门的可及性的同时却存在在许多低收入国家和发展中国家不够普及的问题。

N Rostamzadeh, D Mincu, S Roy, et al. Healthsheet: development of a transparency artifact for health datasets. FAccT ’22, 2022(June 2022): 1943–1961

推荐语：本文介绍了一种比原始问卷调查数据更符合实际的改编本——Healthsheet。通过半结构式访谈，采集相关人员的工作案例，作者探讨了如何使得数据表更贴合现实、揭示了数据表的优势与不足以及在解决健康问题中的重要性。

AI+Science 读书会第一季

AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，机器学习和其他 AI 技术可以用来解决科学研究中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，甚至像科学家一样进行科学发现，被称为科学发现的“第五范式”。另一方面是 Science for AI，科学尤其是物理学中的规律和思想启发机器学习理论，为人工智能的发展提供全新的视角和方法。

集智俱乐部联合西湖大学工学院AI方向助理教授吴泰霖、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣，共同发起以“AI+Science”为主题的读书会，探讨该领域的重要问题，共学共研相关文献。欢迎对探索这个激动人心的前沿领域有兴趣的朋友报名参与。

详情请见：

点击“阅读原文”，报名读书会